A不正解
アンダーフィッティング（学習不足）
アンダーフィッティングは、学習データに対してすら精度が低い状態です。
学習データで高精度という本問の状況とは異なるため不正解です。
ある ML チームが、構築した需要予測モデルを検証したところ、学習データに対しては非常に高い精度を出すのに、新しい未知のデータでは精度が大きく下がってしまいました。この状態を何と呼びますか。
1 / 1
回答を選択してください
正解D
解説
学習で高精度・新データで低精度の状態名を選ぶ問題。
- 1「学習データに対しては非常に高い精度」訓練データには 適合しすぎ
- 2「新しい未知のデータでは精度が大きく下がって」汎化できない＝オーバーフィッティング
B不正解
データドリフト
データドリフトは、運用中に入力データの分布が学習時からずれていくことで精度が落ちる現象です。
本問は学習直後の検証で既に未知データに弱い状態であり、時間経過による分布変化が原因ではないため不正解です。
C不正解
データバイアス
データバイアスは、学習データの偏りが特定の集団への不公平な予測として現れる問題です。
本問は学習データへの過剰適合による汎化の失敗であり、公平性の問題ではないため不正解です。
D正解
オーバーフィッティング（過学習）
正解。オーバーフィッティングは、学習データに過剰に適合し、ノイズや細部まで覚えてしまった結果、未知のデータへの汎化性能が下がる状態です。
ポイント
正解の『オーバーフィッティング（過学習）』を押さえます。
・学習データに過剰に適合し、ノイズや細部まで覚え込んでしまう状態。
・学習データでは高精度でも、未知データでは精度が下がり汎化できない。
アンダーフィッティングは学習データでも精度が低い別の状態で、正則化（抑制手法）・ハイパーパラメータ（設定値）はそもそも『状態』の名前ではありません。