モデルの選択・評価の一問一答

k分割交差検証の説明として、最も適切なものを1つ選びなさい。

• ①データをk個に分け、k個すべてを学習に使ったうえで、同じデータでk回くり返し評価する方法である。
• ②データをテスト用と学習用に一度だけ分け、テスト用のデータでk回くり返し評価する方法である。
• ③データをk個に分け、1つをテスト用、残りを学習用として、テスト用を入れ替えながらk回評価する。
• ④k個の異なるモデルを同じデータで学習させ、最も成績の良かった1つだけを残す方法である。

2クラス分類の混同行列において、「実際は陰性なのに、モデルが陽性と予測してしまったもの」を何というか。最も適切なものを1つ選びなさい。

• ①偽陰性（False Negative）
• ②真陽性（True Positive）
• ③真陰性（True Negative）
• ④偽陽性（False Positive）

適合率（Precision）が0.6、再現率（Recall）が0.9のとき、F値として、最も適切なものを1つ選びなさい。

• ①0.72
• ②0.75
• ③0.54
• ④0.36

ROC曲線とAUCの説明として、最も適切なものを1つ選びなさい。

• ①ROC曲線は偽陽性率と真陽性率の関係を描いたもので、AUCが0に近いほど性能が高い。
• ②ROC曲線は偽陽性率と真陽性率の関係を描いたもので、AUCが1に近いほど性能が高い。
• ③ROC曲線は学習回数と誤差の関係を描いたもので、AUCが1に近いほど過学習している。
• ④ROC曲線は回帰の予測値と実測値の関係を描いたもので、AUCは平均二乗誤差に等しい。

陽性が全体の1％しかないデータで、すべてを陰性と予測するモデルを作ると、正解率（Accuracy）は99％になる。この例が示す注意点として、最も適切なものを1つ選びなさい。

• ①正解率が99％を超えれば、どのような課題でも実用上は十分な精度である。
• ②陰性ばかりのデータでは、再現率は必ず正解率と同じ値になってしまう。
• ③偏りの大きいデータでは、正解率が高くても役に立つモデルとは限らない。
• ④偏りの大きいデータでは、正解率ではなく平均二乗誤差で評価すべきである。

モデルの誤差を「バイアス」と「バリアンス」に分けて考えるとき、モデルが複雑すぎて過学習している状態の説明として、最も適切なものを1つ選びなさい。

• ①バイアスは大きいが、学習データの違いによる予測のばらつき（バリアンス）は小さい。
• ②バイアスもバリアンスも大きく、学習データに対してさえほとんど予測が当たらない。
• ③バイアスもバリアンスも小さく、未知のデータに対しても誤差がまったく生じない。
• ④バイアスは小さいが、学習データの違いによる予測のばらつき（バリアンス）が大きい。

「ある事柄を説明するための仮定は、必要以上に多くするべきではない」という考え方で、同程度の性能なら単純なモデルを選ぶべきだという指針の根拠とされるものとして、最も適切なものを1つ選びなさい。

• ①オッカムの剃刀
• ②ノーフリーランチ定理
• ③中国語の部屋
• ④醜いアヒルの子定理

「あらゆる問題に対して、常に他より優れた性能を発揮する万能の学習アルゴリズムは存在しない」という主張を何というか。最も適切なものを1つ選びなさい。

• ①オッカムの剃刀
• ②ノーフリーランチ定理
• ③普遍近似定理
• ④モラベックのパラドックス

回帰の評価指標の説明として、最も適切なものを1つ選びなさい。

• ①MSEは誤差の絶対値の平均で、MAEに比べて外れ値の影響を受けにくい。
• ②RMSEはMSEを2乗した値で、元のデータとは単位が異なる指標である。
• ③MAEは誤差の絶対値の平均で、MSEに比べて外れ値の影響を受けにくい。
• ④MAEもMSEも値が大きいほど予測が正確であることを示す指標である。

データの特徴量の数（次元）が増えるにつれて、同じ性能を得るために必要なデータの量が急激に増え、学習が難しくなる現象を何というか。最も適切なものを1つ選びなさい。

• ①勾配爆発
• ②内部共変量シフト
• ③コールドスタート問題
• ④次元の呪い