特徴量を絞る正則化
G社の製造ラインでは、300種類のセンサ値から製品の強度を予測する線形回帰モデルを作っている。学習データに過剰に合わせることを防ぎつつ、効かない特徴量の係数をちょうど0にして、本当に重要なセンサを絞り込みたい。この目的に最も合う手法を1つ選べ。
- A
学習中にノードを無作為に無効化するドロップアウト
- B
係数の二乗の和を罰則に加えるL2正則化(Ridge)
- C
係数の絶対値の和を罰則に加えるL1正則化(Lasso)
- D
検証誤差が悪化し始めた時点で止める早期終了
正解と解説を見る
正解:C
L1とL2はどちらも過学習を抑える正則化だが、係数をちょうど0にして特徴量を選べるのはL1(Lasso)である。L2(Ridge)は係数を全体的に小さくする。
- A
誤り。ドロップアウトは主にニューラルネットワークで過学習を抑える方法で、特徴量の係数を0にして選ぶ仕組みではない。
- B
誤り。L2正則化も過学習を抑えるが、係数を全体的に小さくするだけで、ちょうど0にはなりにくい。特徴量の絞り込みには向かない。
- C
正しい。L1正則化は過学習を抑えるとともに、多くの係数をちょうど0にする性質がある。そのため特徴量の選択にも使える。
- D
誤り。早期終了は学習のくり返しを途中で止めて過学習を防ぐ方法で、どのセンサが重要かを絞り込むことはできない。
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。