人工知能をめぐる動向と手法
決定木を用いて分類モデルを作成したところ、訓練データに対しては完璧に分類できたが、テストデータでは精度が低かった。この過学習を抑えつつ精度を改善する手法として最も適切なものはどれか。
- A決定木の深さの制限をなくし、さらに深く成長させる
- ✓複数の決定木を組み合わせたランダムフォレストなどのアンサンブル学習を用いる
- Cテストデータをそのまま訓練データに加えて学習をやり直す
- D特徴量をすべて削除し、目的変数のみでモデルを学習し直す
解説
単一の決定木は深く成長させるほど訓練データに過剰適合しやすい。複数の決定木の予測を組み合わせるランダムフォレストなどのアンサンブル学習を用いることで、個々の決定木の過学習の影響を抑え、汎化性能を高めることができる。木をさらに深くする、テストデータを訓練に混ぜる、特徴量を全て削除するのはいずれも改善につながらない。
根拠シラバス「機械学習」