AWS認定資格 無料問題集

解答

正しい解答：Ｂ. モデルの予測性能を向上させるために入力データを最適化する。

　URL を直接入力して「解答・解説」画面を表示した場合、何を選択・解答したかを特定できないため、解答の正誤判定ができません。必要に応じて「同じ問題に再挑戦」ボタンをクリックして、この問題に再チャレンジしてみてください。

徹底解説

　機械学習における特徴量エンジニアリングの主な目的として、最も適しているものは、「モデルの予測性能を向上させるために入力データを最適化する」 ことです。特徴量（Feature）とは、機械学習（ML：Machine Learning）モデルがデータのパターンや関係性を学習して、予測や分類、その他のタスクを実行するために使用する入力データの属性や指標を指します。要するに、モデルにとって意味のあるデータの属性のことです。表形式のデータの場合は連番などの分析に意味のない列を除いた各列が特徴量となり、画像や音声などの場合はピクセル値や周波数成分などが特徴量として扱われます。MLにおいて、特徴量はモデルの性能に大きな影響を与えるため、これらを効率的に管理することが重要です。特徴量エンジニアリングは、MLモデルの性能を向上させるために、生データからモデルが有効に学習できる特徴を抽出・加工・選択・構成するプロセスです。これによって、MLモデルがデータの重要な側面をより効果的に学習できるため、モデルの性能や予測精度が向上します。例えば、本問題のユースケースでは、対象製品の稼働開始日から稼働日数を算出したり、稼働状態が文字列で記録されている場合に、正常な稼働状態を 「0」 として、異常状態を 「1」 と数値化することで、モデルで扱いやすくなります。

　その他の選択肢は、特徴量エンジニアリングの主な目的を説明しているものではありません。「モデルの学習時間を短縮するために学習率を調整する」 ことは、ハイパーパラメーターチューニングの一部に該当する内容であり、モデルの学習挙動を制御する工程を示しています。これは特徴量の抽出や変換とは異なるプロセスです。「訓練済みモデルの再利用性を高めてアウトプットの精度を上げる」 ことも、同様に、特徴量エンジニアリングの主な目的ではありません。特徴量エンジニアリングは、新たなデータから有効な入力情報を作り出すことに注力しており、既存モデルの再利用性の向上とは直接関係するものではありません。また、「データの欠損値を補完して統計量の安定性を高める」 という説明について、欠損値の補完は、主にデータの整合性を維持するための処理であり、データの前処理の一環として位置づけられます。一方、特徴量エンジニアリングの主な目的は、MLモデルがより効果的に学習できるように、データから有用な特徴を抽出・加工することです。したがって、欠損値の補完は特徴量エンジニアリングに含まれる可能性はあるものの、それ自体が中心的な目的ではありません。

ちなみに...
　上述の解説では、欠損値の補完はデータの整合性を維持するための処理であり、データの前処理に含まれる要素としています。一方で、欠損値の補完も特徴量エンジニアリングの一部とされることがあります。これは用語の定義にやや曖昧さが残っているためと思われますが、試験対策としては注意が必要です。本問題では、「モデルの予測性能を向上させるために入力データを最適化する」 という明らかに正しい選択肢があるため、これを正解としています。