問題 No.33
統計モデルや機械学習において、説明変数（特徴量）の数を増やせば増やすほど、手元の学習データに対する適合度（表現力）は際限なく向上するが、同時に過学習（オーバーフィッティング）のリスクが高まり未知のデータへの予測精度が落ちる。この「モデルの適合度」と「パラメータ数の少なさ（シンプルさ）」のトレードオフを数理的に評価し、最適なモデルを選択するための指標はどれか。
【正解の解説】
AIC
AIC(赤池情報量基準)は、モデルの「精度の高さ」と「シンプルさ(パラメータ数の少なさ)」のバランスを数理的に評価する指標です。値が小さいほど、未知のデータに対して当てはまりの良い最適なモデルだと判断します。
スポンサーリンク
【その他の選択肢の解説】
AUC
AUCは、ROC曲線の面積を用いた指標で、主に分類モデルの性能評価に使われます。モデルの複雑さと精度のバランスを測るものではありません。
F値
F値は、適合率と再現率の調和平均で、分類タスクの精度評価に使われる指標です。モデル選択の指標ではありません。
MAE
MAEは、予測値と正解値の絶対的な差の平均値です。純粋な誤差の量であり、モデルの複雑さは考慮しません。