Azure認定資格 WEB問題集＆徹底解説

ログイン

正解はBです。問題文の状況は典型的な過学習（overfitting）を示しています。トレーニングデータでは高精度（97%）を達成しているにもかかわらず、新規データ（検証用データ）では大幅に精度が低下（62%）しており、モデルがトレーニングデータに過度に適合している状態です。正則化手法（L1/L2正則化、Dropout等）はモデルの複雑さを制御し、汎化性能を向上させます。また、特徴量の次元削減（PCA、特徴選択等）は不要な特徴量を排除し、モデルの安定性を高め、入力変動への過敏性を軽減します。この組み合わせが過学習への最も直接的かつ効果的な対策となります。

選択肢 A：データ量の拡充は過学習対策として有効な場合もありますが、モデルパラメータの追加は逆にモデルをさらに複雑化させ、過学習を悪化させる可能性が高いため不適切です。

選択肢 C：トレーニング期間の延長とネットワーク層の深化は、モデルの複雑性をさらに増加させ、過学習を助長する可能性が高く、現在の課題を悪化させる方向の対策となるため不適切です。

選択肢 D：K分割交差検証は過学習の検出や評価には有用ですが、過学習そのものを解消する手法ではありません。アンサンブル学習も汎化性能向上に寄与しますが、根本的なモデルの複雑性や過学習の問題に対する直接的な対策ではありません。

Machine Learning Service
Azure Machine Learning