k分割交差検証と層化k分割交差検証

不均衡なクラス分類では通常のランダム分割だとフォールド間でクラス比率が偏る恐れがあります。Stratified k-foldは全フォールドで目的変数のクラス比率を維持して分割します。 ア:正解です。クラス比率を保持して分割することで、各分割での検証信頼性を高めます。 イ:誤りです。k個のうち1つをテスト用、残りk-1個を学習用とし、テスト用を入れ替えて合計k回学習・評価します。 ウ:誤りです。LOOCVはデータ数N回モデルを学習するため、大規模データでは計算量が膨大になり実行困難です。 エ:誤りです。前処理(スケーリングや特徴選択等)を分割前の一括データで行うと情報がリークするため、各分割の学習データ内だけで行う必要があります。

モデルの汎化性能を検証する交差検証(Cross-Validation)に関する記述として、最も適切なものを1つ選択してください。

出典G検定オリジナル模擬試験
ア
層化k分割交差検証(Stratified k-fold)は、分類タスクにおいて各分割(フォールド)に含まれる各クラスの比率がデータ全体の比率とおおむね等しくなるようにデータを分割する手法である。
イ
k分割交差検証では、全データをk個に分割し、k個すべてを同時にテストデータとして用いて1回だけ学習を行う。
ウ
LOOCV(1個抜き交差検証)はデータ数が100万件以上ある大規模データセットに対して最も計算時間が短く済む検証手法である。
エ
交差検証を行えば、テストデータに対する過学習(データリーケージ)のリスクが100%完全に消滅するため、前処理を全データに対して一括適用してよい。