MLA-C02：AWS Certified Machine Learning Engineer - Associate ML モデルと基盤モデルの開発 問13
ML モデルと基盤モデルの開発／モデリングアプローチの選択表形式（テーブル）の構造化データで、列数が中程度・学習データも大規模ではない分類タスクを、高い精度と短い学習時間で実現したいと考えています。モデリングアプローチとして一般に最も適切なものはどれですか。
当サイトのオリジナル問題（MLA-C02：AWS Certified Machine Learning Engineer - Associateの出題範囲「ML モデルと基盤モデルの開発」に対応。実際の試験問題ではありません）
- A大規模な深層ニューラルネットワークを一から学習する
- B基盤モデル（LLM）をファインチューニングして分類させる
- C勾配ブースティング木（XGBoost など）の勾配ブースティングアルゴリズムを使う
- Dルールを手作業で網羅的に書き下す
正解：C
解説
表形式の構造化データの分類・回帰では、勾配ブースティング木（XGBoost など）が高精度かつ学習が比較的速く、実務で広く有効とされます。大規模な深層ニューラルネットワークは表形式データでは過剰で学習コストも大きく、LLM のファインチューニングはテキスト向けで表形式分類には不適、手作業のルール記述はスケールしません。
下線の用語は 用語集 で意味を確認できます。
選択肢ごとの解説
- A誤り。大規模な深層 NN は表形式データには過剰で、学習コストに見合う精度向上が得にくいことが多いです。
- B誤り。LLM のファインチューニングは主にテキスト向けで、表形式データの分類の第一選択ではありません。
- C正しい。表形式データの分類・回帰には勾配ブースティング木（XGBoost 等）が高精度かつ効率的で有効です。
- D誤り。手作業のルール記述は網羅性・保守性に欠け、機械学習の利点を活かせません。