AWS認定資格 無料問題集

解答

正しい解答：Ｄ. グループ毎の予測分布の比較

　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

　この保険会社が採用する機械学習（ML：Machine Learning）モデルが、特定の属性に対して、公平性を欠いていないかを評価する適切な手法は、「グループ毎の予測分布の比較」 です。公平性（Fairness）を評価するには、異なる属性のグループ（年齢、性別、居住地域など）に対してモデルがどのような予測をしているかを比較する必要があります。なぜなら、予測分布の比較をすることにより、あるグループ対して、一貫して高い保険料を提示していないかなどのバイアスを検出することができるためです。属性のグループ毎の予測分を比較することによって、モデルが意図せず特定の属性を不利に扱っていないかを検証して、必要に応じて修正を加えることで、より公平で透明性の高い予測が可能となります。
　その他の選択肢は、公平性を評価する適切な手法ではありません。精度スコアは、モデル全体の予測性能を表す指標であり、特定の属性グループ間での公平性を直接評価する指標ではありません。例えば、男女でデータの分布が大きく異なる場合、男性の予測精度が著しく低くても、女性の精度が高ければ全体のスコアが良好に見えることもあるかもしれません。
　混同行列（Confusion Matrix）は、2値分類モデルの予測結果を分析するための表で、モデルの性能を評価するのに使用されます。分類モデルの性能を分析する強力な手法ではありますが、基本的に全体の分類性能をみるもので、属性グループ間の比較には使われません。
　ハイパーパラメーター（決定木における木の深さやニューラルネットワークの学習率など）を最適化することは、モデルの精度向上を目的とした対応プロセスであり、公平性を評価することとは直接関係がありません。