【正解の解説】
予測精度が同等であれば、よりシンプルで過学習のリスクが低いモデルBを採用する。
オッカムの剃刀とは「ある事象を説明するために、必要以上に多くの仮定を立てるべきではない」という考え方です。例えば、目的地まで行くのに「高級なスポーツカーを何台も乗り継ぐ複雑なルート」と「普通の自転車で真っ直ぐ行くルート」で到着時間が同じなら、トラブルが少なく管理しやすい自転車を選ぶのと同じです。機械学習でも、複雑すぎるモデルは未知のデータに対して過学習を起こしやすいため、精度が同じならシンプルなモデルを選ぶのが鉄則です。
【その他の選択肢の解説】
予測精度が同等であれば、より表現力が豊かで非線形関係を捉えられるモデルAを採用する。
初学者が陥りがちな罠として「複雑なモデルのほうが頭が良さそうだから採用すべきだ」という思い込みがあります。しかし、問題文にある通り予測精度に有意な差がない場合、あえてパラメータが多く解釈性の低いモデルを選ぶメリットはありません。それは例えるなら、近所のコンビニに行くのにわざわざジャンボジェット機をチャーターするようなものであり、コストとリスクが無駄に高まるだけなので誤りです。
予測精度に差がないため、両者の予測結果を平均化してアンサンブルモデルとして採用する。
複数のモデルを組み合わせるアンサンブル学習は確かに予測精度を上げるための有効な手段ですが、今回のケースでは既に単体モデルの時点で精度に差がありません。ここでさらにモデルを複雑化させることは、わざわざシンプルに剃り落とすべき無駄な要素を増やす行為になります。オッカムの剃刀の「必要以上に複雑にしてはならない」という本質を理解しているかを試すためのひっかけ選択肢です。
予測精度が同等であれば、より計算コストがかかり学習に時間を要するモデルAを採用する。
実務において、計算コストが高く学習に時間がかかるモデルは、運用や再学習のフェーズで大きなボトルネックになります。予測精度が同じであれば、より軽量で保守しやすいモデルを選ぶのがエンジニアリングの基本です。「高価で扱いにくい複雑な道具のほうが凄いはずだ」という思い込みを突くための罠であり、オッカムの剃刀の原則を適用する場面では最も選ぶべきではない非効率な判断となります。