年齢を区間に分ける影響
通販のC社では、購入するかどうかを予測するモデルを作っている。説明変数の年齢(18〜95歳の整数)を「10代、20代、…、70歳以上」の区間に分けるビニング(離散化)を検討している。ビニングの効果や注意点として正しいものを2つ選べ。
- A
95歳のような極端な値も同じ区間にまとめられるため、外れ値の影響を受けにくくなる
- B
区間をカテゴリ変数として線形回帰に入れても、年齢と購入の曲線的な関係は表せない
- C
同じ区間の中の年齢の差は区別されなくなるため、細かな情報が失われる
- D
区間の数を増やすほど、各区間に入る件数が増えて推定が安定する
正解と解説を見る
正解:A・C
ビニングには、外れ値の影響を抑え、非線形な関係を表しやすくする利点がある。一方で、区間の中の細かな情報は失われる。区間を細かくしすぎると、区間ごとの件数が減って推定が不安定になる。
- A
正しい。極端な値は端の区間にまとめられるため、数値のまま使うときよりもモデルへの影響が小さくなる。
- B
誤り。区間ごとに別の係数が付くので、年齢との関係を階段状に近似できる。曲線的な関係を線形モデルで扱いやすくすることがビニングの利点の一つである。
- C
正しい。たとえば21歳と29歳は同じ「20代」として扱われる。区間の中の違いはモデルに伝わらなくなる。
- D
誤り。区間を細かくすると、1つの区間に入る件数はかえって減る。件数が少ないと推定は不安定になり、過学習も起きやすくなる。
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。