AIの基礎概念と歴史応用問題
機械学習モデルが訓練データに過度に適合し、テストデータでの性能が低下した場合、このような状況を改善するためには、次のうちどの対策が最も効果的ですか？
A.訓練データを最大限増やして、モデルにより多くのパターンを学習させる
✗ 訓練データの増加は有効な手段ですが、データ収集が困難な場合が多く、過学習そのものを直接的には防ぎません。
B.正則化（L1/L2正則化）やドロップアウトを導入して、モデルの複雑さを制約する← 正解
✓ 正解です。正則化やドロップアウトはモデルの複雑さを減らし、過学習を抑制する標準的で効果的な対策です。
C.ニューラルネットワークの層数を倍にして、より多くのパラメータを持たせる
✗ モデルの複雑さを増加させると、過学習の問題がさらに悪化するため、逆効果です。
D.訓練時の学習率を大幅に上げて、収束を加速させる
✗ 学習率の上昇は収束速度に影響しますが、過学習の改善とは直接的な関連がありません。
「AIの基礎概念と歴史」の他の問題
深層学習モデルが新しいドメイン（異なるデータ分布）に対応する際、事前学習済みモデルを使用した転移学習を適用する場合、モデ…勾配消失問題が発生している深層ニューラルネットワークを改善する場合、次のうちどの施策の組み合わせが最も効果的ですか？自然言語処理タスクで、訓練データが極めて限定的な場合、次のうちどのアプローチが最も実用的ですか？画像分類モデルが特定のクラスに対して極めて高い確信度（90%以上の予測確率）を返しても、実際には予測が外れている場合が頻…時系列予測タスクで、長期的な依存関係を捉える際に通常のLSTMが困難を示した場合、改善策として最も適切なのはどれですか？機械学習モデルの訓練データが8,000サンプル、検証データが2,000サンプル、テストデータが1,000サンプルの場合、…