問題 No.3793
あるデータサイエンティストが、手元にある限られたサンプルデータから機械学習モデルの予測精度の安定性を評価したいと考えています。元のデータセットと同じサイズを持つデータ群を、重複を許したランダムなサンプリングによって複数作成し、それぞれに対してモデルの学習と評価を行う手法として、最も適切なものを選択してください。
【正解の解説】
ブートストラップサンプリングを用いてデータ群を多数生成し検証する
限られたお小遣いで何度もガチャを引くようなものです。手元に10個のデータしかないとき、同じデータが何度も選ばれることを許して「くじ引き」のように10個のセットを何個も作り、それぞれの当たりやすさを調べることで、モデルの安定性を評価できます。データが少ない現場の救世主です。
スポンサーリンク
【その他の選択肢の解説】
クロスバリデーションを用いてデータを分割してモデルの汎化性能を検証する
これはクロスバリデーション（交差検証）の説明です。データを重複なく分割して使い回す点がブートストラップサンプリングの「重複を許してランダム抽出する」という最大の特徴と異なります。精度評価の手法ですが、データ生成のアプローチが別物です。
オーバーサンプリングを用いて少数データの比率を増やした不均衡データを生成する
これはオーバーサンプリングの説明であり、モデルの予測精度の安定性を評価するブートストラップとは目的が異なります。例えば詐欺検出のように圧倒的に事例が少ないデータを補うために使われ、データの種類や目的を取り違えないよう注意が必要です。
シャッフルした元のデータセットを等分して複数のサブモデルを同時に学習させる
元データを等分するだけであれば、単なる通常のデータ分割にすぎません。問題文にある「重複を許したランダムなサンプリングによって同じサイズのデータ群を複数作成する」というブートストラップの定義を満たしていないため、典型的な誤りの選択肢となります。