MLの概念応用
回帰モデルで、関連性の低い特徴量15個を削除して、関連性の高い特徴量5個だけに絞った場合、モデルの性能にどのような変化が期待できるか？
A.訓練精度は低下するが、検証精度が向上し、モデルが簡潔になる← 正解
✓ 正解です。ノイズを含む特徴量を削除することで過学習が減少し、検証精度が向上します。訓練精度は若干低下しますが、汎化性能が向上します。
B.訓練精度と検証精度の両方が低下する
✗ 関連性の高い特徴量を保持すれば、検証精度は向上します。
C.検証精度に変化はなく、訓練精度だけが向上する
✗ 特徴量の削減は訓練精度に影響を与え、また検証精度にも影響します。
D.モデルの複雑性が増し、過学習のリスクが高まる
✗ 特徴量を削減するとモデルが簡潔になり、複雑性は減少して過学習リスクが低下します。
この問題のポイント
ノイズを含む特徴量を削除することで過学習が減少し、検証精度が向上します。訓練精度は若干低下しますが、汎化性能が向上します。
「MLの概念」の他の問題
IT・クラウド の関連資格
AWS Certified Cloud Practitioner（CLF-C02）
AWSクラウドの入門資格。クラウドの概念・AWSのコアサービス・セキュリティ・料金モデルを問う。
AWS Certified Solutions Architect - Associate（SAA-C03）
AWSでのシステム設計能力を問うアソシエイト資格。高可用性・セキュリティ・コスト最適化の設計が中心。
DP-900：Microsoft Azure Data Fundamentals
Azureのデータサービスの基礎を問うMicrosoft認定資格。リレーショナル/非リレーショナルデータ、分析ワークロード、コアのデータ概念を扱う。