AWS認定資格 WEB問題集＆徹底解説
会員登録/ログイン

機械学習エンジニア–アソシエイト

正解 D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

1 2 3 4

次の問題前の問題

問題文と選択肢

あるEコマース企業は、顧客データを活用してビジネス戦略を強化することを計画しています。具体的には、2種類の異なるデータ分析タスクに取り組む必要があります。
最初のタスクは、既存の多数の顧客の行動パターンや購買履歴から、自動的に類似性に基づいた顧客セグメントを抽出することです。この際、事前に定義された顧客グループのラベルは存在しません。2番目のタスクは、新たに登録された顧客が、過去のデータに基づいて「高価値顧客」または「一般顧客」のいずれに分類されるかを予測することです。ここでは、既存顧客には「高価値」や「一般」といった明確なラベルが付与されています。
これらの異なる分析要件を満たすために、以下のうちどの機械学習アルゴリズムの組み合わせが最も適切ですか？

両方のタスクにK-Nearest Neighbors (KNN) を使用し、次元削減とパターン認識を行う
タスク1にはK-Nearest Neighbors (KNN) を使用して顧客を高価値と低価値に分類し、タスク2にはK-Meansを使用して新しい顧客からの売上を予測する
タスク1にはK-Meansを使用し、これは教師あり学習で顧客グループを分類する。タスク2にはK-Nearest Neighbors (KNN) を使用し、これは教師なし学習で顧客をクラスタリングする
タスク1にはK-Meansアルゴリズムが最適であり、既存顧客をラベルなしでクラスタリングする。タスク2にはK-Nearest Neighbors (KNN) アルゴリズムが最適であり、ラベル付きデータに基づいて新規顧客を分類する

解説頻出度★★★★★

この問題は、「ラベルなし → セグメント抽出」＝教師なし学習、「ラベルあり → 新規顧客の分類」＝教師あり学習という切り分けができ、K-Means＝クラスタリング（教師なし）／KNN＝分類（教師あり）を正しく対応付けられるかがポイント。

A. 両方のタスクにK-Nearest Neighbors (KNN) を使用し、次元削減とパターン認識を行う

両方のタスクに KNN を使うという構成は成立しない。KNN はラベル付きデータを前提とする教師あり学習のアルゴリズムであり、ラベルが存在しないタスク 1（セグメント抽出）には使えない。
また KNN は次元削減のアルゴリズムではない（次元削減なら PCA が該当する）。
「次元削減とパターン認識」という説明自体が KNN の役割と食い違っており、明確な誤り。

B. タスク1にはK-Nearest Neighbors (KNN) を使用して顧客を高価値と低価値に分類し、タスク2にはK-Meansを使用して新しい顧客からの売上を予測する

2 つのアルゴリズムの割り当てが完全に逆になっている。タスク 1 はラベルが存在しないため、教師あり学習の KNN では「高価値/低価値に分類」することはできない。
タスク 2 に K-Means を使って売上を予測するという記述も誤り。K-Means はクラスタリング専用で、回帰（数値予測）はできない。
アルゴリズムの用途を二重に取り違えている選択肢。

C. タスク1にはK-Meansを使用し、これは教師あり学習で顧客グループを分類する。タスク2にはK-Nearest Neighbors (KNN) を使用し、これは教師なし学習で顧客をクラスタリングする

アルゴリズムの割り当て自体はタスク 1＝K-Means、タスク 2＝KNN で正しいが、学習タイプの説明が逆になっている。
K-Means は教師なし学習のクラスタリングであって「教師あり学習で分類する」ものではなく、KNN は教師あり学習の分類であって「教師なし学習でクラスタリングする」ものではない。
正しい組み合わせに見えても説明文の中身が誤っているため不正解。選択肢は最後まで読む必要がある。

正解

D. タスク1にはK-Meansアルゴリズムが最適であり、既存顧客をラベルなしでクラスタリングする。タスク2にはK-Nearest Neighbors (KNN) アルゴリズムが最適であり、ラベル付きデータに基づいて新規顧客を分類する

タスク 1 は「事前に定義されたラベルが存在しない」状態から類似性に基づいてグループを抽出するクラスタリング（教師なし学習）であり、データを k 個のクラスターに分割する K-Means が最適。
タスク 2 は「高価値/一般」という既存のラベルを使って新規顧客がどちらに属するかを当てる分類（教師あり学習）であり、近傍 k 個のラベル付きデータの多数決で決める KNN が適する。
アルゴリズムの割り当てと学習タイプの説明がどちらも正しい唯一の選択肢。

これだけ覚える（記憶フック）
K-Means はグループを「作る」（教師なし）、KNN は既存ラベルで「振り分ける」（教師あり）。名前が似ているだけで別物。

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
タスク 1：事前に定義されたラベルが存在しない	ラベルなし＝教師なし学習（クラスタリング）。KNN のような教師あり手法は使えない →選択肢（A・B）を消す
タスク 1：類似性に基づいて顧客セグメントを自動抽出する	データを k 個のグループに分割する K-Means が定番 →選択肢（C・D）は候補
タスク 2：既存顧客に「高価値」「一般」のラベルが付いている	ラベルあり＝教師あり学習（分類）。K-Means で予測はできない →選択肢（B）を消す
タスク 2：新規顧客がどちらに分類されるかを予測する	近傍のラベル付きデータの多数決で決める KNN が適する →選択肢（D）が正解
選択肢に書かれた「教師あり／教師なし」の説明の正しさ	割り当てが正しくても学習タイプの説明が逆なら誤り。C は K-Means を教師あり、KNN を教師なしと説明している →選択肢（C）を消す

ひっかけポイント

選択肢 C はアルゴリズムの割り当て（タスク1=K-Means、タスク2=KNN）だけ見ると正解と同じ。しかし「K-Means は教師あり学習」「KNN は教師なし学習」と学習タイプを逆に説明しており誤り。冒頭だけ読んで飛びつかせる典型的な罠
K-Means と KNN は名前が似ているだけで全くの別物。K-Means＝教師なしクラスタリング、KNN＝教師あり分類（回帰にも利用可）。「K」に惑わされない
選択肢 B の「K-Means で売上を予測」は不可能。K-Means は数値予測（回帰）をするアルゴリズムではない
選択肢 A の「KNN で次元削減」も誤り。次元削減は PCA。アルゴリズム名と用途の対応を丸暗記しておくと即座に消せる

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
「顧客データの特徴量が多すぎるので削減してからクラスタリングしたい」	PCA（主成分分析）＋ K-Means の組み合わせが正解軸に。
「タスク 2 で顧客の生涯価値（金額）そのものを予測したい」	分類ではなく回帰。Linear Learner や XGBoost が正解に。
「通常とかけ離れた異常な購買行動を検知したい」	Random Cut Forest（RCF）など異常検知アルゴリズムが正解に。
「クラスター数 k をいくつにすべきか分からない」	エルボー法やシルエットスコアによる k の決定が論点になる。
「大量のラベル付きテーブルデータで高精度な分類をしたい」	XGBoost（組み込みアルゴリズム）が定番の正解に。KNN は大規模データでは推論コストが高い。

AWS認定資格 WEB問題集＆徹底解説
会員登録/ログイン

A. 両方のタスクにK-Nearest Neighbors (KNN) を使用し、次元削減とパターン認識を行う

B. タスク1にはK-Nearest Neighbors (KNN) を使用して顧客を高価値と低価値に分類し、タスク2にはK-Meansを使用して新しい顧客からの売上を予測する

C. タスク1にはK-Meansを使用し、これは教師あり学習で顧客グループを分類する。タスク2にはK-Nearest Neighbors (KNN) を使用し、これは教師なし学習で顧客をクラスタリングする

D. タスク1にはK-Meansアルゴリズムが最適であり、既存顧客をラベルなしでクラスタリングする。タスク2にはK-Nearest Neighbors (KNN) アルゴリズムが最適であり、ラベル付きデータに基づいて新規顧客を分類する

次の問題 前の問題

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