資格道場
G検定（ジェネラリスト検定）「機械学習の基礎と手法」の一問一答
📖 G検定（ジェネラリスト検定）「機械学習の基礎と手法」の全75問と解説（一覧）
G検定（ジェネラリスト検定）の機械学習の基礎と手法に関する一問一答（全75問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。
-
問1．機械学習は、データから規則性やパターンを学習し未知データに対する予測を行う手法である。
正解：○（正しい）
解説：従来のルールベースAIと異なり、明示的にプログラムせずデータから学ぶ点が特徴。
-
問2．教師あり学習は、入力データと正解ラベルのペアから学習する手法である。
正解：○（正しい）
解説：分類（カテゴリ予測）と回帰（数値予測）に分かれる。代表例: 画像分類・株価予測。
-
問3．教師なし学習は、正解ラベルなしのデータから構造やパターンを発見する手法である。
正解：○（正しい）
解説：クラスタリング（k-means等）・次元削減（PCA・t-SNE等）が代表例。
-
問4．強化学習は、エージェントが環境との相互作用を通じて報酬を最大化する行動方策を学習する手法である。
正解：○（正しい）
解説：Q学習・SARSA・方策勾配等が代表的アルゴリズム。ゲームAI・ロボット制御等に応用。
-
問5．単回帰分析は1つの説明変数で目的変数を予測する回帰分析であり、説明変数が2つ以上のものは重回帰分析と呼ばれる。
正解：○（正しい）
解説：正しい。説明変数（予測に使う変数）が1つなら単回帰分析、2つ以上なら重回帰分析と呼ぶ。どちらも最小二乗法で係数を求める線形回帰の一種である。
-
問6．ブートストラップサンプリングでは、元のデータから重複を許して無作為に取り出すため、同じデータが複数回選ばれる一方で、一度も選ばれないデータも生じる。
正解：○（正しい）
解説：正しい。ブートストラップは元のデータと同じ件数を復元抽出（重複を許す抽出）する。n件から n回取り出すと、各データが一度も選ばれない確率は約37％（(1−1/n)^n→1/e）になり、バギングではこれを検証に使える（OOB）。
-
問7．サポートベクターマシン（SVM）は、マージン最大化により分類境界を決定する手法である。
正解：○（正しい）
解説：カーネルトリックで非線形分類も可能。少データでも高性能だが大規模データには計算コスト大。
-
問8．決定木は、データを条件分岐により分類・回帰する木構造のモデルである。
正解：○（正しい）
解説：if-then形式で解釈性高。過学習しやすいが剪定（プルーニング）で抑制可能。
-
問9．半教師あり学習は、少量のラベル付きデータと大量のラベルなしデータを併用して学習する手法である。
正解：○（正しい）
解説：半教師あり学習は、ラベル付けのコストが高い場面で、少量のラベル付きデータに加えて大量のラベルなしデータも学習に使う枠組みである。教師あり学習と教師なし学習の中間に位置づけられる。
-
問10．協調フィルタリングは、ユーザーどうしの購買・評価履歴の類似性をもとに、そのユーザーが好みそうなアイテムを推薦する手法である。
正解：○（正しい）
解説：協調フィルタリングは「似た行動をとったユーザーが好んだものを薦める」考え方のレコメンド手法で、アイテムの属性情報は必要としない。一方、利用履歴が少ない新規ユーザー・新規アイテムには推薦しにくい（コールドスタート問題）。
-
問11．凝集型の階層クラスタリングで得られるデンドログラム（樹形図）は、どの高さで切るかによってクラスタの数を後から決めることができる。
正解：○（正しい）
解説：正しい。デンドログラムは併合の過程と併合時の距離（高さ）を木で表したもので、ある高さで横に切ると、その高さより下でまとまったものが1つのクラスタになる。クラスタ数を事前に決める必要がない点が k-means 法と異なる。
-
問12．潜在的ディリクレ配分法は、各文書を複数のトピックの混合として表し、各トピックを単語の出現確率の分布として表す教師なしのトピックモデルである。
正解：○（正しい）
解説：潜在的ディリクレ配分法（Latent Dirichlet Allocation）はトピックモデルの代表で、1つの文書が複数のトピックを一定の割合で含むとみなし、ラベルなしの文書集合からトピックを推定する。
-
問13．特異度（Specificity）は、実際に陰性であるもののうち陰性と正しく予測できた割合で、TN/(TN+FP)で求める。
正解：○（正しい）
解説：特異度は実際の陰性のうち正しく陰性と判定できた割合（TN/(TN+FP)）で、「偽陽性をどれだけ出さないか」を表す。実際の陽性のうち陽性と判定できた割合である再現率（感度）と対になる指標である。
-
問14．自己回帰（AR）モデルは、時系列データの現在の値を、同じ系列の過去の値の線形結合と誤差項で表すモデルである。
正解：○（正しい）
解説：AR(p)モデルは、現在値を自分自身の過去p時点の値の線形結合＋誤差で表す時系列モデルで、株価や需要などの予測に使われる。複数の系列を同時に扱う拡張はベクトル自己回帰（VAR）モデルと呼ぶ。
-
問15．赤池情報量規準（AIC）は、モデルの当てはまりの良さとパラメータ数の多さを同時に考慮する指標で、値が小さいモデルほど良いと評価する。
正解：○（正しい）
解説：AICは「−2×最大対数尤度＋2×パラメータ数」で定義され、当てはまりが良いほど、またパラメータが少ないほど小さくなる。複雑すぎるモデルを避けてモデルを選ぶための規準である。
-
問16．正則化（L1・L2）は、損失関数にペナルティ項を加え過学習を抑制する手法である。
正解：○（正しい）
解説：L1（Lasso）は疎な解、L2（Ridge）は係数を均等に縮小。Elastic Netは両者の組合せ。
-
問17．データリーケージとは、予測時には本来使えない情報（テストデータや目的変数に由来する情報など）が学習に混入し、評価時の性能が実運用より良く見えてしまう問題である。
正解：○（正しい）
解説：データリーケージが起きると、検証では高い性能が出ても実運用では同じ情報が得られないため性能が大きく下がる。前処理の統計量をテストデータを含めて計算する、未来の情報で過去を予測する、などが典型例である。
-
問18．混同行列は、分類結果を真陽性・偽陽性・真陰性・偽陰性に分類した行列である。
正解：○（正しい）
解説：TP・FP・TN・FNから精度・再現率・F1値等の評価指標を算出する基本ツール。
-
問19．RMSE（二乗平均平方根誤差）は、MAE（平均絶対誤差）に比べて、大きく外れた予測の影響を強く受ける回帰の評価指標である。
正解：○（正しい）
解説：RMSEは誤差を二乗してから平均し平方根をとるため、大きな誤差ほど強く効く。MAEは誤差の絶対値の平均なので、外れ値の影響はRMSEより小さい。
-
問20．再現率（Recall）は、実際の陽性のうち陽性と予測できた割合である。
正解：○（正しい）
解説：TP/(TP+FN)。陽性の取りこぼし防止。がん検診等で重要。
-
問21．迷惑メールを陽性として判定するスパムフィルタで、通常のメールを誤って迷惑メールと判定することは偽陽性にあたる。
正解：○（正しい）
解説：正しい。陽性（迷惑メール）と予測したが実際は陰性（通常のメール）だったものが偽陽性（FP）である。反対に迷惑メールを見逃して通常のメールと判定したものが偽陰性（FN）にあたる。
-
問22．ε-greedy方策は、確率εでランダムに行動を選び、それ以外の場合は現時点で価値の推定値が最も高い行動を選ぶことで、探索と活用を両立させる。
正解：○（正しい）
解説：ε-greedy方策は、多腕バンディット問題や強化学習で使われる行動選択の方法で、小さな確率εで未知の行動を試し（探索）、残りは最善と推定される行動を選ぶ（活用）。
-
問23．二乗誤差で評価した汎化誤差は、バイアスの二乗・バリアンス・削減できないノイズの和に分解でき、バイアスとバリアンスはトレードオフの関係にある。
正解：○（正しい）
解説：正しい。モデルを単純にするとバイアスが大きく（未学習）、複雑にするとバリアンスが大きく（過学習）なりやすい。データ自体のノイズはモデルでは減らせないため、バイアスとバリアンスの釣り合いが取れる複雑さを選ぶ。
-
問24．特徴量エンジニアリングは、入力データから有効な特徴量を設計・抽出する作業である。
正解：○（正しい）
解説：ドメイン知識が重要。ディープラーニングは特徴量を自動学習する点が革新的。
-
問25．前処理ではデータの欠損値処理・正規化・標準化等を行う。
正解：○（正しい）
解説：欠損値補完（平均・中央値・KNN等）・スケーリング（min-max・Z-score）が代表的処理。
-
問26．ホールドアウト法は、データを訓練・検証・テストに分割し性能を評価する基本手法である。
正解：○（正しい）
解説：通常6:2:2や7:1.5:1.5等で分割。検証データでハイパーパラメータ調整、テストで最終評価。
-
問27．多次元尺度構成法（MDS）は、データ間の距離（非類似度）をできるだけ保つように、データを低次元空間に配置する次元削減手法である。
正解：○（正しい）
解説：MDSは、対象どうしの距離（非類似度）の行列をもとに、その距離関係がなるべく保たれるよう2〜3次元などに配置する。可視化やデータの構造把握に使われる教師なしの手法である。
-
問28．教師あり学習は正解ラベルなしのデータから学習する手法である。
正解：×（誤り）
解説：誤り。教師あり学習は正解ラベル付きデータから学習。ラベルなしから学ぶのは教師なし学習。
-
問29．教師なし学習は分類問題のみに利用される。
正解：×（誤り）
解説：誤り。教師なし学習はクラスタリング・次元削減・密度推定等が主用途。分類は教師ありの典型タスク。
-
問30．強化学習はラベル付きデータのみで動作する。
正解：×（誤り）
解説：誤り。強化学習は環境との相互作用で報酬を最大化する学習。ラベル不要で試行錯誤から学ぶ。
-
問31．線形回帰は分類問題に用いる代表的アルゴリズムである。
正解：×（誤り）
解説：誤り。線形回帰は連続値予測（回帰）。分類はロジスティック回帰・SVM・決定木等を使用。
-
問32．ロジスティック回帰は回帰問題のみに利用される。
正解：×（誤り）
解説：誤り。名前は『回帰』だがロジスティック回帰は二値分類アルゴリズム。シグモイド出力で確率予測。
-
問33．SVMは大規模データセットで最高速・最高精度を発揮する。
正解：×（誤り）
解説：誤り。SVMは少~中規模データで強い。大規模データでは計算コスト大で深層学習等の方が有利。
-
問34．決定木は他のモデルと比較して解釈性が低い。
正解：×（誤り）
解説：誤り。逆。決定木はif-then形式で人間が解釈しやすい点が大きな利点。ニューラルネットは解釈困難。
-
問35．ランダムフォレストは単一の決定木で構成される。
正解：×（誤り）
解説：誤り。ランダムフォレストは多数の決定木をアンサンブル（バギング）。単一決定木より過学習に強い。
-
問36．XGBoostはバギング手法の代表例である。
正解：×（誤り）
解説：誤り。XGBoostは勾配ブースティング手法。バギングはランダムフォレスト等が代表。
-
問37．k-meansは教師あり学習の代表的アルゴリズムである。
正解：×（誤り）
解説：誤り。k-meansは教師なし学習（クラスタリング）。ラベルなしデータをk個に分割。
-
問38．主成分分析（PCA）は非線形次元削減手法である。
正解：×（誤り）
解説：誤り。PCAは線形次元削減。非線形にはt-SNE・UMAP・カーネルPCA等を利用。
-
問39．過学習は訓練データの性能が低下する現象である。
正解：×（誤り）
解説：誤り。過学習は訓練データに過度適合→訓練データの性能は高いが未知データで悪化する現象。
-
問40．L1正則化は係数を均等に縮小しL2は疎な解を生む。
正解：×（誤り）
解説：誤り。逆。L1（Lasso）が疎な解（多くの係数が0）、L2（Ridge）が係数を均等に縮小。
-
問41．交差検証はデータ全体を訓練のみに使い汎化性能を評価する。
正解：×（誤り）
解説：誤り。交差検証はデータを分割し訓練・検証を交互に行う。全データを訓練のみは不可能。
-
問42．適合率は、実際の陽性のうち陽性と予測できた割合である。
正解：×（誤り）
解説：誤り。それは再現率（Recall=TP/(TP+FN)）の定義。適合率はTP/(TP+FP)。
-
問43．F1値は適合率と再現率の算術平均である。
正解：×（誤り）
解説：誤り。F1値は算術平均ではなく『調和平均』（2PR/(P+R)）。両者バランス重視の指標。
-
問44．ROC曲線のAUCが0.5の分類器は完全に正確である。
正解：×（誤り）
解説：誤り。AUC=0.5はランダム相当（性能なし）。完全な分類器はAUC=1.0。
-
問45．バイアスが高いモデルは過学習しやすい。
正解：×（誤り）
解説：誤り。逆。バイアス高は単純すぎモデル（未学習）。バリアンス高が過学習しやすい複雑モデル。
-
問46．ディープラーニングは特徴表現を自動で学習するため、データの前処理や入力データの設計を検討する必要は一切ない。
正解：×（誤り）
解説：誤り。ディープラーニングは特徴表現学習により手作業の特徴量設計への依存を減らしたが、実務ではデータの欠損処理・正規化・入力形式の設計などの前処理は依然として重要である。
-
問47．ホールドアウト法は同じデータを訓練・検証・テスト全てに使う手法である。
正解：×（誤り）
解説：誤り。ホールドアウト法はデータを訓練・検証・テストに分割。同じデータ使用は評価バイアスの原因。
-
問48．バギングは弱学習器を逐次追加し誤差を補正する手法である。
正解：×（誤り）
解説：誤り。それはブースティングの説明。バギングは独立に複数モデルを並列学習しアンサンブルする手法。
-
問49．協調フィルタリングは、利用履歴がまだない新規ユーザーや新規アイテムに対しても、履歴の多いユーザーと同じ精度で推薦できる。
正解：×（誤り）
解説：誤り。協調フィルタリングは他のユーザーとの履歴の類似性を使うため、履歴のない新規ユーザーや新規アイテムには推薦しにくい。これをコールドスタート問題と呼び、アイテムの属性を使うコンテンツベースフィルタリングとの併用などで補う。
-
問50．階層クラスタリングはクラスタ数kを事前に指定する必要がある。
正解：×（誤り）
解説：誤り。階層クラスタリングは樹形図から事後に切る位置を選べる。kの事前指定は不要。k-meansは事前指定必要。
-
問51．t-SNEは線形次元削減で計算が高速である。
正解：×（誤り）
解説：誤り。t-SNEは非線形・計算コスト大。可視化用途中心で大規模データには時間かかる。
-
問52．過学習を防ぐにはモデル複雑度を増やすのが有効である。
正解：×（誤り）
解説：誤り。逆。過学習はモデル複雑度過大が原因。複雑度抑制（正則化・剪定・データ拡張・ドロップアウト）が対策。
-
問53．教師あり学習の代表タスクはクラスタリングと次元削減である。
正解：×（誤り）
解説：誤り。クラスタリング・次元削減は教師なし学習の代表タスク。教師ありは分類と回帰。
-
問54．教師あり学習に該当しないものはどれか。
- ア．顧客のクラスタリング
- イ．スパムメール検出
- ウ．株価予測
- エ．画像分類
正解：ア．顧客のクラスタリング
解説：顧客クラスタリングは教師なし学習。画像分類（分類）・スパム検出（二値分類）・株価予測（回帰）は教師あり。
-
問55．二値分類に最も適したアルゴリズムとして正しいのはどれか。
- ア．線形回帰
- イ．ロジスティック回帰
- ウ．k-means
- エ．PCA
正解：イ．ロジスティック回帰
解説：ロジスティック回帰はシグモイド関数で確率出力し閾値で二値分類。線形回帰は連続値予測、k-meansはクラスタリング、PCAは次元削減。
-
問56．マージン最大化により分類境界を決定する手法として正しいのはどれか。
- ア．決定木
- イ．ランダムフォレスト
- ウ．サポートベクターマシン（SVM）
- エ．ナイーブベイズ
正解：ウ．サポートベクターマシン（SVM）
解説：SVMはクラス間マージン最大化で境界決定。カーネルトリックで非線形分類も可能。少データで強い。
-
問57．ランダムフォレストが用いるアンサンブル手法として正しいのはどれか。
- ア．ブースティング
- イ．ベイズ平均
- ウ．スタッキング
- エ．バギング
正解：エ．バギング
解説：ランダムフォレストはバギング（ブートストラップサンプリング+多数決）。XGBoostやAdaBoostはブースティング系。
-
問58．状態の遷移を考えず、複数の選択肢から1つを選んで報酬を得る試行を繰り返しながら、探索と活用のバランスを取って累積報酬の最大化を目指す手法の総称で、Web広告の出し分けなどに用いられるものはどれか。
- ア．バンディットアルゴリズム
- イ．Q学習
- ウ．協調フィルタリング
- エ．方策勾配法
正解：ア．バンディットアルゴリズム
解説：バンディットアルゴリズムは、状態の遷移がない多腕バンディット問題を扱う手法の総称で、ε-greedy方策やUCB方策が代表例である（Sutton & Barto 第2章）。Q学習と方策勾配法は状態の遷移を含むマルコフ決定過程を扱う強化学習の手法、協調フィルタリングは利用履歴の類似性で推薦する手法である。
-
問59．レコメンデーションで、ジャンルやキーワードなどアイテム自体の属性とユーザーの嗜好との一致度にもとづいて推薦する手法はどれか。
- ア．協調フィルタリング
- イ．コンテンツベースフィルタリング
- ウ．アソシエーション分析
- エ．行列分解
正解：イ．コンテンツベースフィルタリング
解説：アイテムの属性情報とユーザーの好みの一致度で推薦するのはコンテンツベースフィルタリングである。協調フィルタリングや行列分解は他ユーザーの評価履歴の類似性を用い、アソシエーション分析は同時に購入される商品の組合せ規則を見つける手法である。
-
問60．次元削減手法として該当しないものはどれか。
- ア．主成分分析（PCA）
- イ．t-SNE
- ウ．ロジスティック回帰
- エ．UMAP
正解：ウ．ロジスティック回帰
解説：ロジスティック回帰は分類手法で次元削減ではない。PCA（線形）・t-SNE（非線形）・UMAP（非線形）は代表的次元削減。
-
問61．k-meansの主な弱点として正しいのはどれか。
- ア．計算が極端に遅い
- イ．正解ラベル必須
- ウ．非数値データのみ扱える
- エ．初期値依存とクラスタ数kの事前指定が必要
正解：エ．初期値依存とクラスタ数kの事前指定が必要
解説：k-meansは初期重心の選び方で結果が変動、kも事前指定必要。k-means++で初期値改善、エルボー法でk決定。
-
問62．モデル選択の情報量規準のうち、パラメータ数に対する罰則がデータ数の対数に比例して重くなるものはどれか。
- ア．AIC（赤池情報量規準）
- イ．自由度調整済み決定係数
- ウ．BIC（ベイズ情報量規準）
- エ．平均二乗誤差（MSE）
正解：ウ．BIC（ベイズ情報量規準）
解説：BICは「−2×最大対数尤度＋パラメータ数×ln(データ数)」で、データ数が多いほどパラメータへの罰則が重くなる。AICの罰則は「2×パラメータ数」でデータ数によらない。
-
問63．過学習対策として該当しないものはどれか。
- ア．正則化
- イ．モデル複雑度を上げる
- ウ．データ拡張
- エ．ドロップアウト
正解：イ．モデル複雑度を上げる
解説：モデル複雑度を上げると過学習が悪化。正則化・ドロップアウト・データ拡張・早期終了等が過学習対策。
-
問64．k-fold交差検証で一般的に用いられるk値として正しいのはどれか。
- ア．k=1
- イ．k=2
- ウ．k=5またはk=10
- エ．k=100
正解：ウ．k=5またはk=10
解説：5-fold または 10-fold が一般的。k=2は単純すぎ、k=100は計算負荷大。データ規模・実験目的に応じて選択。
-
問65．適合率（Precision）の計算式として正しいのはどれか。
- ア．TP/(TP+FN)
- イ．2PR/(P+R)
- ウ．(TP+TN)/(TP+TN+FP+FN)
- エ．TP/(TP+FP)
正解：エ．TP/(TP+FP)
解説：適合率=TP/(TP+FP)（陽性予測のうち実際に陽性）。再現率=TP/(TP+FN)、精度=(TP+TN)/all、F1=調和平均。
-
問66．再現率（Recall）の計算式として正しいのはどれか。
- ア．TP/(TP+FN)
- イ．TP/(TP+FP)
- ウ．FP/(FP+TN)
- エ．TN/(TN+FN)
正解：ア．TP/(TP+FN)
解説：再現率=TP/(TP+FN)（実際の陽性のうち陽性予測できた割合）。がん検診等の取りこぼし重視で重要。
-
問67．F1値の定義として正しいのはどれか。
- ア．適合率と再現率の算術平均
- イ．適合率と再現率の調和平均
- ウ．適合率と再現率の幾何平均
- エ．適合率と再現率の積
正解：イ．適合率と再現率の調和平均
解説：F1値は適合率と再現率の『調和平均』（2PR/(P+R)）。両者バランス評価・不均衡データに有効。
-
問68．ROC曲線のAUC値について正しいのはどれか。
- ア．AUCは、閾値を0.5に固定して判定したときの正解率（accuracy）と同じ値になる
- イ．AUCは、縦軸に適合率、横軸に再現率をとった曲線の下側の面積である
- ウ．AUCは、0.5のときにランダムに予測する分類器と同程度の性能を表す
- エ．AUCは、テストデータの正例と負例の比率が変わると、同じ分類器でも値が変わる
正解：ウ．AUCは、0.5のときにランダムに予測する分類器と同程度の性能を表す
解説：ROC曲線は、閾値を動かしながら偽陽性率を横軸、真陽性率を縦軸にとって描いた曲線で、AUCはその下側の面積です。縦軸に適合率、横軸に再現率をとるのは適合率-再現率曲線で、ROC曲線とは別のものです。AUCは0〜1の値で、ランダムな予測は対角線になって0.5、完全な分類は1.0です。0に近いのはランダムより悪く、判定を逆にすれば良い分類になる状態です。閾値を一つ決めて測る正解率とは別の指標で、正例と負例の比率が変わってもROC曲線は変わらないため、AUCも変わりません。
-
問69．同じ程度にデータを説明できるなら、より単純なモデルを選ぶべきだとする考え方はどれか。
- ア．ノーフリーランチ定理
- イ．オッカムの剃刀
- ウ．次元の呪い
- エ．醜いアヒルの子定理
正解：イ．オッカムの剃刀
解説：オッカムの剃刀は「必要以上に仮定を増やすべきでない」という原則で、機械学習では同程度の性能なら単純なモデルを選ぶ考え方として使われる。ノーフリーランチ定理は「あらゆる問題で最良の万能アルゴリズムは存在しない」という定理である。
-
問70．訓練データの欠損値処理として一般的でない手法はどれか。
- ア．データを増やす
- イ．中央値補完
- ウ．KNN補完
- エ．平均値補完
正解：ア．データを増やす
解説：欠損値補完は平均・中央値・最頻値・KNN・MICE等が一般的。データを増やすのは欠損値処理ではなくデータ拡張。
-
問71．特徴量のスケーリング手法として正しいのはどれか。
- ア．min-max正規化（0-1範囲）
- イ．いずれも正しい
- ウ．ロバストスケーリング
- エ．Z-score標準化（平均0・分散1）
正解：イ．いずれも正しい
解説：全て正解。min-max・Z-score・ロバストスケーリング（中央値・四分位）はすべて代表的スケーリング手法。
-
問72．ホールドアウト法の一般的なデータ分割比率として正しいのはどれか。
- ア．訓練90%・テスト10%のみ
- イ．訓練・テスト各50%
- ウ．訓練60%・検証20%・テスト20%等の3分割
- エ．全データを訓練のみに使用
正解：ウ．訓練60%・検証20%・テスト20%等の3分割
解説：3分割（訓練・検証・テスト）が標準。検証はハイパーパラメータ調整、テストは最終評価。比率は6:2:2や7:1.5:1.5等。
-
問73．バギングとブースティングの違いとして正しいのはどれか。
- ア．バギングは逐次・ブースティングは並列
- イ．両者とも逐次
- ウ．両者ともに並列
- エ．バギングは並列・ブースティングは逐次
正解：エ．バギングは並列・ブースティングは逐次
解説：バギングは独立並列学習（ランダムフォレスト等）、ブースティングは逐次学習（誤差補正）。XGBoost・AdaBoost等が後者。
-
問74．アンサンブル学習で代表的なスタッキング（Stacking）の説明として正しいのはどれか。
- ア．複数モデル出力を別モデル（メタモデル）が統合する
- イ．弱学習器を多数決で組合せる
- ウ．モデルを逐次追加する
- エ．モデルパラメータを平均する
正解：ア．複数モデル出力を別モデル（メタモデル）が統合する
解説：スタッキングは複数モデル予測を入力として別モデル（メタモデル）で最終予測。Kaggle上位戦略で頻出。
-
問75．不均衡データ対策として正しい手法はどれか。
- ア．全データをそのまま学習
- イ．SMOTE等のオーバーサンプリング
- ウ．モデル複雑度を上げる
- エ．訓練データを減らす
正解：イ．SMOTE等のオーバーサンプリング
解説：不均衡データはSMOTE（少数派合成）・アンダーサンプリング・クラス重み付け等が対策。F1値・AUC等で評価。