データサイエンティスト検定 リテラシーレベル データサイエンス(機械学習・AI・非構造化データ) 練習問題 第54問: 融資の申し込みを審査する時点で、借り手が貸し出しから1年以内に返済を延滞するかどうかを予測する分類モデルを作る。過去の貸し出しの記録から作った説明変数に、貸し出
融資の申し込みを審査する時点で、借り手が貸し出しから1年以内に返済を延滞するかどうかを予測する分類モデルを作る。過去の貸し出しの記録から作った説明変数に、貸し出しの後の記録から集計した「督促状の送付回数」を加えたところ、検証データでの正解率が非常に高くなった。この結果の原因の見立てと対応の組合せとして、最も適切なものはどれか。
解答と解説を先に見る
先に見ると、この問題は今回は育ちません。
正解: 4. 特徴量がラベルの身代わりになるラベルの漏れによるので、その変数を外し、申し込みの時点の値で作り直す
督促状の送付回数がラベルの身代わりになるラベルの漏れと見立て、その変数を外して作り直すのが適切です。Google for Developers『Machine Learning Glossary』は、特徴量がラベルの身代わりになっている設計の欠陥をラベルの漏れ(label leakage)と呼びます。
督促状は延滞が起きた後に送るので、その回数は「延滞したか」の結果を写した値で、審査の時点にはまだありません。同じ用語集は過学習を、訓練データに合わせすぎて新しいデータで正しく予測できない状態とします。
検証データでも正解率が高いので過学習の見立ては合わず、正則化しても漏れた変数は残ります。非定常性(時期による値の変化)や選択バイアス(観測される標本とされない標本の系統的な差)は、変数を1つ加えただけで正解率が跳ね上がったことを説明せず、審査に落ちた申し込みには返済の結果もありません。
説明変数には、予測する時点で値が手に入るものだけを使います。
関連キーワード: リーク・ラベルの漏れ・過学習・非定常性・選択バイアス
模試 (100問)
この問題が解けたら、本試験はどうですか?本番形式で、ほかの科目もまとめて確かめる
本番形式の模擬試験で実力チェックPremium (月980円)Premium (ご利用中)本番と同じ制限時間