G検定（ジェネラリスト検定） AIの社会実装と数理・統計 練習問題 第4問: 次の文は、データリーケージが起きる手順の例である。（ A ）（ B ）に入る語の組合せとして、最も適切なものはどれか。 ・翌日の来店者数を予測するモデルで、予測

正解: 4. A：後　B：全データ

肢4が正解です。scikit-learnの解説（Common pitfalls）は、データリーケージを、予測の時点では手に入らない情報がモデルの構築に使われることとし、交差検証などの見積もりが楽観的になり、本番の新しいデータで性能が落ちると説明しています。Aは「後」です。予測を行う時点より後に記録される値は、予測する時点ではまだ手に入らないので、特徴量に使うとリーケージになります。Bは「全データ」です。同解説は、前処理の平均などは学習データだけから求めるべきで、全データで求めるとテストデータの情報がモデルに入り込むとしています。肢1はA・Bとも問題のない手順です。肢2はBが正しい手順で、肢3はAが問題のない手順です。データの分割は前処理より先に行う、と覚えておきましょう。

関連キーワード: データリーケージ・前処理・時系列データ