あるデータサイエンティストが、構造化された表形式データを使ったチャーン（解約）予測モデルを構築しています。「複数の決定木を逐次的に構築し、前の決定木が誤分類したサンプルの誤りを段階的に修正する勾配ブースティング（Grad

Question

あるデータサイエンティストが、構造化された表形式データを使ったチャーン（解約）予測モデルを構築しています。「複数の決定木を逐次的に構築し、前の決定木が誤分類したサンプルの誤りを段階的に修正する勾配ブースティング（Gradient Boosting：損失関数の勾配に沿って誤差を逐次補正するアンサンブル手法）」を用いたいと考えています。Amazon SageMakerの組み込みアルゴリズムとして提供されており、表形式データの予測タスクで広く実績を持つ、この手法を実装したアルゴリズムはどれですか？

Accepted Answer

正解: Amazon SageMaker XGBoost。XGBoost（Extreme Gradient Boosting：極限勾配ブースティング）は勾配ブースティングを高速かつ高精度に実装したアルゴリズムで、決定木を逐次的に追加しながら前のモデルの残差（誤差）を補正して学習します。表形式データの分類・回帰で高い精度を発揮し、SageMakerの組み込みアルゴリズムとして提供されています。

選択肢AのAmazon SageMaker Linear Learnerは線形回帰・ロジスティック回帰などの線形モデルを効率的に学習するアルゴリズムであり、決定木を逐次的に追加するアンサンブル手法ではありません。

選択肢CのAmazon SageMaker Random Cut Forestは教師なし学習の異常検知専用アルゴリズムであり、解約予測のような分類タスクには適していません。

選択肢DのAmazon SageMaker K-Nearest Neighbors（KNN）は推論時に距離が近いサンプルの多数決で予測するインスタンスベースの手法であり、勾配ブースティングとは根本的に異なるアプローチです。

Answer

Amazon SageMaker Linear Learner — Amazon SageMaker Linear Learnerは線形回帰・ロジスティック回帰などの線形モデルを効率的に学習するアルゴリズムであり、決定木を逐次的に追加するアンサンブル手法ではありません。

Answer

Amazon SageMaker Random Cut Forest — Amazon SageMaker Random Cut Forestは教師なし学習の異常検知専用アルゴリズムであり、解約予測のような分類タスクには適していません。

Answer

Amazon SageMaker K-Nearest Neighbors（KNN） — Amazon SageMaker K-Nearest Neighbors（KNN）は推論時に距離が近いサンプルの多数決で予測するインスタンスベースの手法であり、勾配ブースティングとは根本的に異なるアプローチです。

解説

解説