学習時と推論時の前処理の差
Z社では、与信審査モデルの学習時に、各特徴量を学習データ全体の平均と標準偏差で標準化していた。一方、本番の推論APIでは、届いたリクエストのデータだけからその場で平均と標準偏差を求めて標準化していた。検証データでの精度は高かったのに、本番では精度が大きく下がった。根本的な対策として、最も適切なものを1つ選べ。
- A
学習時に求めた平均と標準偏差を保存し、推論時も同じ値を使って変換する。
- B
本番のリクエストのデータを使って、毎日モデルを再学習するように変更する。
- C
学習データの件数を増やし、より多くのデータで学習し直してから本番に出す。
- D
より複雑なモデルに置き換え、入力の変化にも対応できる表現力を持たせる。
正解と解説を見る
正解:A
学習時と推論時で前処理が食い違うと、オフラインの評価が高くても本番で精度が落ちる(training-serving skew)。前処理をモデルと一体のパイプラインとして保存し、同じ変換を再利用するのが基本。
- A
正しい。学習時と推論時で前処理が異なると入力の意味が変わるため、学習時の変換をそのまま推論にも使う必要がある。
- B
誤り。前処理の食い違いが残る限り、再学習しても学習時と推論時の入力の違いは解消しない。
- C
誤り。データ量は原因ではなく、推論時の標準化の方法が学習時と異なることが問題である。
- D
誤り。モデルを複雑にしても、学習時と異なる基準で変換された入力という根本の問題は解決しない。
このサイトの問題は、各試験の公開されている出題範囲に沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。一般社団法人データサイエンティスト協会・一般財団法人統計質保証推進協会の公式サービスではありません。