MLA機械学習のためのデータ準備複数選択
機械学習エンジニアが不正取引検出モデルを構築しています。学習データの99%が正常取引、1%が不正取引という高度な不均衡データです。初期モデルは99%の精度（Accuracy）を達成しましたが、不正取引の再現率（Recall）が極めて低い状態です。この問題に対処するための最も適切なアプローチを2つ選択してください。
A精度（Accuracy）を主要評価指標として維持し、モデルのハイパーパラメータ調整を繰り返す
精度（Accuracy）はクラス不均衡時には多数クラスへ全分類するだけで高値を示し、不正取引の検出性能を正しく反映しません。AUC-ROCやF1スコア・Recallが適切な評価指標です。
BSMOTE（Synthetic Minority Over-sampling Technique：少数クラスのサンプルを補間して合成的に増やすオーバーサンプリング手法）を適用して少数クラスのサンプル数を増加させる
✓ 正解
SMOTEは少数クラスの近傍サンプルを補間して合成的にサンプルを増やすオーバーサンプリング手法です。学習データのクラス分布を改善し、モデルが不正取引パターンを学習しやすくなります。
Cclass_weightパラメータで少数クラスの誤分類に大きなペナルティを設定するコスト感度学習を用いる
✓ 正解
class_weightは少数クラス（不正取引）の誤分類に大きなペナルティを設定し、モデルが少数クラスを重視するよう訓練するコスト感度学習手法です。クラス不均衡問題に有効です。
D多数クラス（正常取引）のデータをさらに収集してモデルを再トレーニングする
多数クラスのデータ追加はクラス不均衡をさらに悪化させ、不正取引の検出性能改善にはなりません。少数クラスへのアプローチが必要です。
解説
クラス不均衡への対処には、SMOTEによる少数クラスの合成サンプル生成と、class_weightによるコスト感度学習の2つが有効です。
選択肢BのSMOTEは、少数クラスの近傍サンプルを補間して合成的にサンプルを増やし、学習データのクラス分布を改善することでモデルが不正取引パターンを学習しやすくなります。
選択肢Cのclass_weightパラメータによるコスト感度学習は、少数クラス（不正取引）の誤分類に大きなペナルティを設定することで、モデルが少数クラスを重視するよう訓練されます。
選択肢Aは誤りです。精度（Accuracy）はクラス不均衡時には全サンプルを多数クラスに分類するだけで高値を達成でき、不正取引の検出性能を正しく反映しません。AUC-ROCやF1スコア・Recallが適切な評価指標です。
選択肢Dは誤りです。多数クラス（正常取引）のデータをさらに収集することはクラス不均衡をさらに悪化させ、問題の解決にはなりません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →