MLA-C02：AWS Certified Machine Learning Engineer - Associate ML モデルと基盤モデルの開発 問4
ML モデルと基盤モデルの開発／モデルの学習・ファインチューニング・カスタマイズ学習データでは非常に高い精度が出るのに、検証・テストデータでは精度が大きく下がります（過学習）。最も適切な対処はどれですか。
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学習エポックをさらに増やして学習データへの当てはまりを高める
- B正則化・early stopping・ドロップアウト・学習データの追加や拡張などで、過学習を抑え汎化性能を高める
- Cモデルのパラメータ数をさらに増やす
- D検証データを学習データに加えて評価しないようにする
正解：B
解説
過学習（学習データに過度に適合し汎化性能が低い状態）には、正則化・early stopping・ドロップアウト・学習データの追加や拡張などが有効です。エポックをさらに増やす、パラメータ数を増やす、検証データを学習に混ぜるのは、過学習を悪化させるか評価を無意味にします。
選択肢ごとの解説
- A誤り。エポックを増やすと学習データへの過適合が進み、過学習が悪化しがちです。
- B正しい。正則化・early stopping・ドロップアウト・データ追加/拡張で過学習を抑え汎化を高められます。
- C誤り。パラメータ数の増加は、過学習をさらに助長する恐れがあります。
- D誤り。検証データを学習に混ぜると、公正な汎化性能の評価ができなくなります。