MLAMLモデルの開発

eコマース企業が数百商品の週次販売数を予測するモデルを構築しています。データは各商品の過去3年分の時系列データで、季節性・トレンド・商品間の相関関係を自動的に考慮した高精度の予測が必要です。Amazon SageMakerの組み込みアルゴリズムで最も適切なものはどれですか？

A
XGBoost：商品特徴量と日付特徴量を手動でエンジニアリングして各商品を個別にモデル化する
「XGBoost」はXGBoostは特徴量エンジニアリングが必要で時系列特性を自動処理しません。
B
Linear Learner：シンプルな線形回帰モデルで各商品を個別に予測する
「Linear Learner」はLinear Learner は季節性・トレンドを自動的に処理できません。
C
DeepAR：複数の関連時系列を同時に学習し、季節性・トレンドを自動的にモデル化する確率的予測アルゴリズム
✓ 正解
DeepARはAmazonが開発した時系列予測専用の組み込みアルゴリズムで、数百〜数千の関連時系列を同時学習することで少量データの商品でも精度を向上できます。季節性・トレンドを自動的にモデル化し、予測値の信頼区間も出力します。
D
Random Cut Forest（RCF）：時系列データの異常パターンを検出して予測精度の向上に活用する
「Random Cut Forest」はRCF（Random Cut Forest）は異常検知専用アルゴリズムです。

解説

選択肢CのDeepARはAmazonが開発した時系列予測専用の組み込みアルゴリズムで、数百〜数千の関連時系列を同時学習することで少量データの商品でも精度を向上できます。季節性・トレンドを自動的にモデル化し、予測値の信頼区間も出力します。 選択肢AのXGBoostは、特徴量エンジニアリングが必要で時系列特性を自動処理できません。各商品を個別にモデル化する必要があり、本問のようなスケールには不向きです。 選択肢BのLinear Learnerは、シンプルな線形回帰モデルであり、季節性・トレンドを自動的に処理できません。 選択肢DのRandom Cut Forest（RCF）は、時系列データの異常検知専用アルゴリズムであり、需要予測には使用しません。

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 →
← MLA の問題一覧に戻る