教師あり学習における交差検証（クロスバリデーション）

交差検証（クロスバリデーション: Cross-Validation，特に k 分割交差検証）は，与えられた全データを $k$ 個のグループ（フォールド）に分割し，そのうち 1 グループをテストデータ（評価用），残りの $k - 1$ グループを訓練データ（学習用）としてモデルを構築・評価する操作を，テストグループを順次入れ替えながら $k$ 回繰り返す手法です。これにより，データの偏りによる影響を抑えて汎化性能を正確に評価できます。したがって正解はエとなります。 各選択肢の解説は以下のとおりです。 正則化（L1 正則化・Lasso，L2 正則化・Ridge など）の説明です。 アンサンブル学習（ブレンディング，スタッキングなど）の説明です。 マルチタスク学習（Multi-task Learning）の説明です。

AI における教師あり学習での交差検証に関する記述はどれか。

出典令和6年度 秋期 応用情報技術者試験 午前 問2
ア
過学習を防ぐために，回帰モデルに複雑さを表すペナルティ項を加え，訓練データへ過剰に適合しないようにモデルを調整する。
イ
学習の精度を高めるために，複数の異なるアルゴリズムのモデルで学習し，学習の結果は組み合わせて評価する。
ウ
学習モデルの汎化性能を高めるために，単一のモデルで関連する複数の課題を学習することによって，課題間に共通する要因を獲得する。
エ
学習モデルの汎化性能を評価するために，データを複数のグループに分割し，一部を学習に残りを評価に使い，順にグループを入れ替えて学習と評価を繰り返す。