令和6年度 秋期 高度試験共通 午前I 問1

各選択肢の解説

ア

過学習を防ぐために、回帰モデルに複雑さを表すペナルティ項を加え、訓練データへ過剰に適合しないようにモデルを調整する。

誤りです。複雑さに応じたペナルティ項（L1ノルムやL2ノルムなど）を損失関数に加え、訓練データへの過剰な適合を抑える手法は正則化です。正則化はモデルを学習させる段階の工夫です。データを分割して、学習用と評価用の役割を入れ替えながら性能を見積もる交差検証とは別の手法です。

イ

学習の精度を高めるために、複数の異なるアルゴリズムのモデルで学習し、学習の結果は組み合わせて評価する。

誤りです。複数の異なるアルゴリズムのモデルを学習させ、その結果を多数決や平均などで組み合わせる手法はアンサンブル学習です。予測精度そのものを高める手法であり、1つのモデルの汎化性能を分割データで評価する交差検証ではありません。

ウ

学習モデルの汎化性能を高めるために、単一のモデルで関連する複数の課題を学習することによって、課題間に共通する要因を獲得する。

誤りです。単一のモデルで関連する複数の課題を同時に学習し、課題の間で共通する特徴表現を獲得する手法はマルチタスク学習です。学習の仕方の工夫であり、データを複数のグループに分けて学習と評価を繰り返す交差検証の説明ではありません。

エ

学習モデルの汎化性能を評価するために、データを複数のグループに分割し、一部を学習に残りを評価に使い、順にグループを入れ替えて学習と評価を繰り返す。

正しいです。交差検証（k分割交差検証など）では、データをk個のグループに分けます。そのうち1つを評価用、残りを学習用にし、評価用のグループを順に入れ替えながらk回の学習と評価を行います。結果を平均することで、1回だけの分割による偏りを抑えて、未知データに対する汎化性能を見積もります。