AIF-C01#99(fundamentals-ai-ml)
ある企業が特定のアイテムの価格を予測する新しいモデルを開発しています。モデルはトレーニングデータセットでは良好なパフォーマンスを示しましたが、本番環境にデプロイするとパフォーマンスが大幅に低下しました。 この問題を軽減するために企業は何をすべきですか？
正解：C
正解の根拠
訓練データで良好だが本番で性能低下する現象は過学習 (Overfitting) の典型で、訓練に使用するデータ量を増やすことで一般化性能を改善できます。データ多様性が高まると、モデルは細部のノイズではなく真のパターンを学習できるようになり、未知データへの汎化が向上します。Data Wrangler でのデータ拡充や追加収集が有効です。
過学習対策の比較
| 対策 | 効果 |
|---|---|
| データ量増加 | 汎化性能向上 |
| 正則化 | パラメータ抑制 |
| 早期停止 | 過剰学習防止 |
| データ拡張 | 多様性確保 |
不正解の理由
- A: データ量を減らすと過学習が悪化し汎化性能がさらに低下するため、本番性能の改善には逆効果です。
- B: ハイパーパラメータ追加はモデル複雑度の上昇を招き、過学習を悪化させる可能性が高い対処です。
- D: 訓練時間の延長は過学習をさらに進行させる方向に働き、本番性能低下の解決策にはなりません。
コメント