AWS認定資格 WEB問題集＆徹底解説

機械学習エンジニア–アソシエイト

正解 A問題
分野2：ML モデルの開発 タスクステートメント2.1：モデリングアプローチの選択
要復習（もう一度解きたい問題） 1 2 3 4
次の問題前の問題
合格に向けて、もっと深く学習する
豊富な問題と詳細なAWSサービス解説を、24時間無料でお試しいただけます
プレミアム会員機能を無料で試す ❯
問題文と選択肢
あるデータサイエンティストは、オンライン小売企業における顧客生涯価値（CLV）を予測する機械学習プロジェクトに取り組んでいます。このプロジェクトでは、後にデプロイを検討している高度な深層学習モデルのパフォーマンスを評価するための比較基準として、信頼性の高いベースラインモデルを確立する必要があります。大規模なデータセットと計算リソースを効率的に活用しつつ、Amazon SageMaker上で、シンプルで解釈が容易なモデルを構築し、CLV予測の初期パフォーマンスベンチマークとして機能させるには、どのようなアプローチが最も適切でしょうか。
  • Amazon SageMakerの組み込みアルゴリズムである線形学習器モデルを選択し、顧客の購買履歴、平均購入金額、初回購入からの経過日数といった主要な構造化データに基づいてCLV予測のベースラインを構築する。
  • Amazon SageMaker Autopilotを活用し、自動で最適なモデルやハイパーパラメータを探索させ、最も性能の良いモデルをCLV予測のベースラインとして採用する。
  • Amazon SageMaker JumpStartを利用して、既存の顧客属性データに基づいたセグメンテーション用の事前学習済みモデルをデプロイし、その結果をCLV予測のベースラインとして用いる。
  • Amazon SageMaker BlazingTextモデルを用いて顧客レビューから特徴ベクトルを生成し、これをCLV予測のベースラインモデルの主要な入力特徴量として利用する。
解説 頻出度★★★★★
この問題は、「ベースラインモデル × シンプル × 解釈が容易 × 構造化データの回帰」という要件で、SageMaker 組み込みアルゴリズムの Linear Learner（線形学習器）を選べるかがポイント。AutoML も事前学習済みモデルもテキスト埋め込みも「ベースライン」には過剰・的外れ。
正解

A. Amazon SageMakerの組み込みアルゴリズムである線形学習器モデルを選択し、顧客の購買履歴、平均購入金額、初回購入からの経過日数といった主要な構造化データに基づいてCLV予測のベースラインを構築する。

ベースラインモデルの役割は、後から作る高度なモデルが「本当に価値を上乗せしているか」を測る基準線を用意することにある。したがって求められるのは精度の高さではなく、シンプルさ・解釈しやすさ・素早く作れること。
SageMaker 組み込みアルゴリズムの Linear Learner は回帰・分類に対応し、購買履歴・平均購入金額・経過日数といった構造化データから CLV（連続値）を予測する回帰モデルを短時間で構築できる。係数から各特徴量の寄与も読み取れるため解釈性が高い。
組み込みアルゴリズムなので分散トレーニングにも対応し、大規模データと計算リソースを効率的に使えるという要件も満たす。正解。

B. Amazon SageMaker Autopilotを活用し、自動で最適なモデルやハイパーパラメータを探索させ、最も性能の良いモデルをCLV予測のベースラインとして採用する。

SageMaker Autopilot は複数のアルゴリズムとハイパーパラメータを自動探索し、最高性能のモデルを選ぶ AutoML サービス。強力だが、生成されるのはアンサンブル等の複雑なモデルであり、「シンプルで解釈が容易」というベースラインの要件から外れる。
そもそもベースラインが高度・高精度になってしまうと、後から評価したい深層学習モデルとの比較で「何がどれだけ効いたのか」を切り分けられない。
Autopilot はベースラインと比較される候補モデル側で使うのが本来の位置づけ。

C. Amazon SageMaker JumpStartを利用して、既存の顧客属性データに基づいたセグメンテーション用の事前学習済みモデルをデプロイし、その結果をCLV予測のベースラインとして用いる。

JumpStart で提供される事前学習済みモデルは、主に画像・テキストなど汎用ドメインのタスク向け。
さらにこの選択肢が挙げるのは顧客セグメンテーション（クラスタリング／分類）であり、CLV 予測は連続値を当てる回帰タスク。解こうとしている問題そのものが違うため、セグメンテーション結果を CLV のベンチマークにはできない。
タスク種別が一致しない時点で、ベースライン以前に選択肢として成立しない。

D. Amazon SageMaker BlazingTextモデルを用いて顧客レビューから特徴ベクトルを生成し、これをCLV予測のベースラインモデルの主要な入力特徴量として利用する。

BlazingText は Word2Vec や高速テキスト分類のためのアルゴリズムで、テキスト（顧客レビュー）から埋め込みベクトルを作る用途に使う。
レビュー由来の特徴量は CLV 予測の精度向上に寄与する可能性はあるが、それは特徴量エンジニアリングの高度化であって、ベースライン作りではない。
CLV は購買履歴などの構造化データで説明できる部分が大きく、初期ベンチマークにテキスト処理を持ち込むのは不要な複雑さを増やすだけで「シンプル・解釈容易」という要件に反する。

これだけ覚える（記憶フック）
ベースライン＝一番シンプルで説明できるモデル。構造化データの回帰なら Linear Learner。Autopilot は「比較される側」。
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
高度な深層学習モデルと比較するためのベースラインを確立する ベースラインは精度ではなくシンプルさ・比較基準としての明快さが価値。高度な AutoML では役割が果たせない
→選択肢（B）を消す
シンプルで解釈が容易なモデル Linear Learner は係数から特徴量の寄与が読めるため解釈性が高い。テキスト埋め込みは解釈性を下げる
→選択肢（A）は候補／選択肢（D）を消す
顧客生涯価値（CLV）を予測する ＝ 連続値の予測 回帰タスクである。セグメンテーション（クラスタリング/分類）モデルでは目的が違う
→選択肢（C）を消す
購買履歴・平均購入金額・経過日数といった構造化データ 表形式データの回帰は Linear Learner（組み込みアルゴリズム）の得意分野。テキスト処理は不要
→選択肢（A）が正解
大規模データセットと計算リソースを効率的に活用する 組み込みアルゴリズムは分散トレーニングに最適化されており、大規模データでも効率よく学習できる
→選択肢（A）が正解
ひっかけポイント
  • 選択肢 B の Autopilot は「最も性能の良いモデル」を作るため一見魅力的だが、ベースラインは「最高性能」ではなく「最低限の基準線」。高性能＝ベースラインとして適切、ではない点が最大のひっかけ
  • 選択肢 C は「事前学習済みモデルをすぐデプロイできる」という手軽さで惹きつけるが、セグメンテーション（クラスタリング）と CLV 予測（回帰）はタスクが別物。タスク種別の不一致に気付けるかが分かれ目
  • 選択肢 D の「レビューを特徴量に使う」は精度向上の施策としては筋が通るが、問われているのはベースラインの構築。要件（シンプル・解釈容易）から逸脱している
  • 「ベースライン」という語が出たら、最もシンプルなアルゴリズム（線形回帰・ロジスティック回帰）を第一候補にする、と覚えておく
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
「ベースラインではなく、とにかく最高精度のモデルを短期間で得たい」 SageMaker Autopilot（AutoML）が正解軸に。
「構造化データで精度を最優先し、非線形な関係も捉えたい」 XGBoost（組み込みアルゴリズム）が定番の正解に。
「顧客をラベルなしでグループ分けしたい」 K-Means（教師なしクラスタリング）が正解に。
「モデルがなぜその予測をしたのか説明を求められている」 SageMaker Clarify（特徴量の寄与度・SHAP）が正解軸に浮上する。
「顧客レビューの感情分析をしたい」 Amazon Comprehend や BlazingText によるテキスト分類が正解に。
関連サービスの解説 Amazon SageMaker
＋ 質問 / コメント
解答・解説に疑問がある場合や、よりよい解説がある場合など、お気軽にコメントください。ただし、短文コメントは表示されません。また、中傷などコメントの内容によっては、会員機能を停止させて頂きます。教え学び合える場になれば嬉しいです。（コメント投稿にはログインが必要です）
正答率 49%
No.19 解説
あるデータサイエンティストは、オンライン小売企業における顧客生涯価値（CLV）を予測する機械学習プロジェクトに取り組んでいます。このプロジェクトでは、後にデプロイを検討している高度な深層学習モデルのパフォーマンスを評価するための比較基準として、信頼性の高いベースラインモデルを確立する必要があります。大規模なデータセットと計算リソースを効率的に活用しつつ、Amazon SageMaker上で、シンプルで解釈が容易なモデルを構築し、CLV予測の初期パフォーマンスベンチマークとして機能させるには、どのようなアプローチが最も適切でしょうか。
  • Amazon SageMakerの組み込みアルゴリズムである線形学習器モデルを選択し、顧客の購買履歴、平均購入金額、初回購入からの経過日数といった主要な構造化データに基づいてCLV予測のベースラインを構築する。
  • Amazon SageMaker Autopilotを活用し、自動で最適なモデルやハイパーパラメータを探索させ、最も性能の良いモデルをCLV予測のベースラインとして採用する。
  • Amazon SageMaker JumpStartを利用して、既存の顧客属性データに基づいたセグメンテーション用の事前学習済みモデルをデプロイし、その結果をCLV予測のベースラインとして用いる。
  • Amazon SageMaker BlazingTextモデルを用いて顧客レビューから特徴ベクトルを生成し、これをCLV予測のベースラインモデルの主要な入力特徴量として利用する。

次の問題前の問題


(会員限定)当問題の評価をお願いします。改善に活用します。
広告

会員機能

お役立ち情報

姉妹サイト

アンケート

サイト情報