問題 No.1387
機械学習モデルの汎化性能を評価する際、手元のデータを学習用とテスト用に分割する。データ数が少ない場合に有効な手法として、データをK個のグループに分割し、「1つをテスト用、残りのK-1個を学習用」とする学習・評価のプロセスをK回繰り返し、その平均を性能とする統計的な検証手法はどれか。
【正解の解説】
K分割交差検証（クロスバリデーション）
k-分割交差検証（k-分割交差検証）とは、データをK個に分け、そのうち1つをテスト、残りを学習に使うという組み合わせをK通り全て試して平均をとる手法です。データが限られている場合に、偏りのない正確な性能評価を行うために非常に有効です。
スポンサーリンク
【その他の選択肢の解説】
ホールドアウト法
ホールドアウト法とは、手持ちのデータを「学習用」と「テスト用」に一度だけ分割する方法です。シンプルですが、データの分け方によって評価結果が大きく変わる可能性があるという欠点があります。
ブートストラップ法
ブートストラップ法とは、データセットから重複を許してランダムにサンプルを抽出し直すことで、擬似的に複数のデータセットを作り出し、それらを使って統計的な精度を推定する方法です。
グリッドサーチ
グリッドサーチとは、機械学習モデルの性能を最大化するための設定値（ハイパーパラメータ）の候補をリスト化し、それら全ての組み合わせを順に試すことで最適な設定を見つける探索手法のことです。