基礎理論データサイエンス基礎

クロスバリデーション（交差検証）の目的と手順に関する説明として最も適切なものはどれか。

ア.クロスバリデーションはデータを訓練用とテスト用に一度だけ分割する手法。分割比率を変えることがバリデーションの主目的である。

イ.k分割クロスバリデーションでは、データをk個のフォールドに分割し、k回の学習・評価を繰り返す。各回で異なるフォールドをバリデーションデータとして使い、k個の評価スコアの平均を最終的なモデル性能の指標とする。正解

ウ.クロスバリデーションはテストデータを使って最終モデルの精度を測定するための手法であり、ハイパーパラメータの調整には使用できない。

エ.k=10のとき（10分割CV）は、k=5（5分割CV）に比べて計算コストが半分になるため、大規模データでは常にk=10を選ぶべきである。

解説

クロスバリデーションは「同じ問題集を担当を変えながら何度も採点する」仕組み。一人の採点者（特定のテストセット）の癖に引きずられず、全員の平均で公平に実力を評価できる。

なぜイが正解か

k分割クロスバリデーション（k-fold cross-validation）の手順: ①全データをk個のフォールド（部分集合）に分割する。②1フォールドをバリデーション、残り(k-1)フォールドを訓練データとして学習・評価する。③これをk回繰り返し、毎回異なるフォールドを検証に使う。④k個の評価スコアの平均を最終評価値とする。主な目的: データの分割方法による評価のばらつきを低減し、モデルの汎化性能をより信頼できる形で見積もる。ハイパーパラメータ選択・モデル選択にも広く活用される。

なぜアは間違いか

データを一度だけ分割する手法はホールドアウト法。クロスバリデーションはk回の繰り返し評価が本質。

なぜウは間違いか

クロスバリデーションはハイパーパラメータのチューニングや、モデルの選択に頻繁に使われる（例: GridSearchCV）。テストデータの代わりに使うのではなく、バリデーションセットとして機能する。

なぜエは間違いか

k=10はk=5より計算コストが高い（実行回数が2倍）。大規模データではk=5や3分割など小さなkが選ばれることも多い。常にk=10が最適ではなくデータ量・計算資源に応じて選択する。

出典: AI生成問題（学習用）

← 前の問題

機械学習における過学習（Overfitting）と正則化（Regularization）に関する説明として最も適切なものはどれか。

次の問題 →

二値分類モデルを評価した結果、混同行列（Confusion Matrix）が以下のとおりだった。適合率（Precision）と再現率（Recall）の値として正しいものはどれか。真陽性（TP）=80、偽陽性（FP）=20、偽陰性（FN）=40、真陰性（TN）=60

基礎理論の問題を解くこの分野の問題一覧を見る