AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

A. モデルの学習速度を向上させるため

F1 スコアは学習が終わったモデルの性能を測る評価指標であり、学習アルゴリズムやハードウェアに手を入れるものではないため、学習速度は一切変わりません。
学習速度の改善は、インスタンスタイプの変更、分散学習、バッチサイズやエポック数の調整といった別の施策で行います。評価指標と最適化手段の混同を狙った誤答です。

正解

B. 適合率（Precision）と再現率（Recall）のバランスを評価できるため

F1 スコアは適合率（Precision）と再現率（Recall）の調和平均で、両者のバランスを 1 つの数値で表します。
適合率だけを上げようとすると再現率が下がり、再現率だけを上げようとすると適合率が下がるトレードオフがあるため、片方だけでは「良いモデル」と言えません。
また、正例が極端に少ない不均衡データでは正解率（Accuracy）が高く見えてしまうため、不均衡データの分類でも実力を正しく評価できる指標として F1 スコアが重視されます。これが正解です。

C. クラスの不均衡そのものを解消できるため

クラスの不均衡「そのもの」を解消するのは、オーバーサンプリング／アンダーサンプリング、SMOTE、クラス重み付けといったデータや学習側の対策です。
F1 スコアは不均衡なデータでもモデルを適切に評価できる指標にすぎず、不均衡を是正する働きはありません。
「不均衡に強い」という正しい性質を「不均衡を解決する」とすり替えた、最も紛らわしい誤答です。

D. モデルの推論速度を最適化するため

推論速度（レイテンシー／スループット）の最適化は、モデルの軽量化（蒸留・量子化）、推論インスタンスの選択、Amazon SageMaker のエンドポイント設定などで行うものです。
F1 スコアは予測の正しさ（品質）を測る指標であり、速度（性能）とは評価軸が異なります。品質指標と速度指標の取り違えを狙った誤答です。

正解への思考ルート

問題文から要件を抽出し、選択肢の適否を判断するのがポイントです。

要件	判断ポイント
分類問題のモデル評価に F1 スコアを使う	F1 スコアは適合率と再現率の調和平均。両者のトレードオフを 1 つの数値で見るための指標 →選択肢（B）が正解
問われているのは「F1 スコアが重要視される理由」	F1 スコアは学習後のモデルを測る評価指標であり、学習や推論を速くする仕組みではない →選択肢（A・D）を消す
F1 スコアとクラス不均衡の関係	不均衡データでも評価できるのであって、不均衡を解消するわけではない。解消はサンプリングやクラス重み付けの役割 →選択肢（C）を消す
「最も適切なもの」を 1 つ選ぶ	評価指標（F1・適合率・再現率・正解率・AUC）と、改善手段（サンプリング・チューニング・軽量化）を別カテゴリとして整理できているかが分かれ目 →選択肢（B）が正解

ひっかけポイント

• 選択肢 C は「F1 スコアはクラス不均衡に強い」という正しい知識の言い換えに見えるのが罠。強いのは「評価が歪みにくい」という意味であって、不均衡データを是正する機能はない
• 「精度」という日本語は Accuracy（正解率）とも Precision（適合率）とも訳される。F1 スコアの構成要素は適合率（Precision）と再現率（Recall）であり、正解率ではない
• 選択肢 A・D は速度（学習速度・推論速度）の話。F1 スコアは品質の指標なので、そもそも土俵が違う。評価指標を問われたら「速さ」の選択肢はまず消す
• 適合率＝予測を陽性としたもののうち本当に陽性だった割合、再現率＝本当の陽性のうち検出できた割合。どちらが「見逃し」に効くかを問う問題も頻出（見逃しを減らす＝再現率）

出題バリエーション

同じ知識が本番では条件を変えて出題されます。

問題文がこう変わったら	正解はこう変わる
「不正検知で見逃し（False Negative）を最小化したい。重視すべき指標は？」	再現率（Recall）が正解に。F1 ではなく片方の指標を選ばせる。
「スパム判定で正常メールをスパムと誤判定（False Positive）したくない」	適合率（Precision）が正解に。
「陽性が 1% しかないデータで、正解率 99% のモデルができた。この評価の問題点は？」	正解率（Accuracy）は不均衡データで無意味になる。F1 スコアや AUC-ROC での評価が正解軸に。
「回帰モデルの精度を評価したい」	F1 スコアではなく RMSE / MAE / 決定係数（R²）が正解軸に。分類と回帰で指標が変わる。
「学習データでは高精度だが、テストデータで急激に精度が落ちる」	過学習（オーバーフィッティング）の話に変わり、正則化やデータ追加が正解軸に。