問題 No.790
画像認識用のディープラーニングモデルを訓練する際、手元にある訓練データの枚数が少なすぎると、モデルがデータの特徴を完全に丸暗記してしまい、未知のテストデータに対応できない「過学習」が簡単に発生してしまう。この問題を効率的に回避するため、訓練画像をランダムに「左右反転」「回転」「拡大・縮小」「色調補正」したり、画像の一部をランダムに黒く塗りつぶすなどの処理を施し、モデルのロバスト性を高める手法はどれか。
【正解の解説】
データ拡張
画像に回転や反転などの加工を加えて、学習データを実質的に増やす手法です。モデルが柔軟な特徴を捉えられるようになり、過学習を防ぎます。
スポンサーリンク
【その他の選択肢の解説】
転移学習
別のタスクで学習済みのモデルを、新しいタスクに流用する手法です。データ不足を補うのには役立ちます。
特徴量エンジニアリング
データの意味を汲み取って、モデルにとって重要な値（特徴量）を作り出す作業です。
アンサンブル学習
複数のモデルを組み合わせて、最終的な予測精度を高める手法です。