DS検定第5章データ準備・可視化技法とモデル化予想問題と解説

DS検定「第5章データ準備・可視化技法とモデル化」の予想問題を6問、各問の解説つきで掲載しています。公式シラバスの範囲で作成しています。

この分野を演習する（6問）

この章の要点

データ準備・モデル化・評価・非構造化データ処理などを扱う分野です。全6問（基礎2問・標準3問・応用1問）を収録しています。

データ準備
モデル化・評価
非構造化データ処理

確認しておきたいポイント

当サイトの作問時に観察した、取り違えやすい論点です（公式の統計ではありません）。

標本誤差とサンプリングバイアスの混同。標本誤差は標本抽出に伴う偶然のばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差。
過学習を『精度が高いこと』と誤解する。訓練データに過剰適合し未知データへの汎化性能が下がる問題として理解する必要がある。
Precision（適合率）とRecall（再現率）の取り違え。目的（見逃しを減らしたいか、誤検知を減らしたいか）によって重視する指標が変わる。

第1問・データ準備

標本誤差とサンプリングバイアスの違いについて、最も適切な説明はどれか。

ア標本誤差は抽出方法の偏りによる誤差、サンプリングバイアスは偶然生じるばらつき
イ標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差
ウ両者は同じ意味である
エ標本誤差もサンプリングバイアスも標本サイズを大きくすれば必ず解消する

答えと解説を見る

イ標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差正解

解説

標本誤差およびサンプリングバイアス、およびそれぞれの違いについて説明できる必要がある。標本誤差は標本抽出に伴う偶然のばらつき、サンプリングバイアスは抽出方法自体の偏りによる系統的な誤差である。

注目する語

標本誤差サンプリングバイアスデータ準備

判断手順

問題文が聞いている対象を「データ準備」に戻す。
注目語（標本誤差・サンプリングバイアス・データ準備）が、どの概念の説明かを先に決める。
正解候補を「標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差」に絞った後、他の選択肢がなぜ条件とずれるかを確認する。

選択肢ごとの見方

ア標本誤差は抽出方法の偏りによる誤差、サンプリングバイアスは偶然生じるばらつき誤答

誤答候補。「標本誤差は抽出方法の偏りによる誤差、サンプリングバイアスは偶然生じるばらつき」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差」と何が違うかを解説で確認します。

イ標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差正解

正解。問題文の条件に最も合うのは「標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差」です。解説の中心語と一致しているかを確認します。

ウ両者は同じ意味である誤答

誤答候補。「両者は同じ意味である」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差」と何が違うかを解説で確認します。

エ標本誤差もサンプリングバイアスも標本サイズを大きくすれば必ず解消する誤答

誤答候補。「標本誤差もサンプリングバイアスも標本サイズを大きくすれば必ず解消する」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「標本誤差は偶然生じるばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差」と何が違うかを解説で確認します。

消去法

「標本誤差は抽出方法の偏りによる誤差、サンプリングバイアスは偶然生じるばらつき」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「両者は同じ意味である」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「標本誤差もサンプリングバイアスも標本サイズを大きくすれば必ず解消する」を消す理由を、定義・用途・対象のどれが違うかで説明する。

訓練データに過剰に適合し、未知のデータへの予測性能が下がってしまう現象の名称として正しいものはどれか。

ア過学習
イ次元の呪い
ウアノテーション
エデータドリフト

答えと解説を見る

ア過学習正解

解説

過学習とは何か、それがもたらす問題について説明できる必要がある。過学習は訓練データに過剰に適合し、未知データへの汎化性能が下がってしまう現象を指す。

注目する語

過学習モデル化・評価

判断手順

問題文が聞いている対象を「モデル化・評価」に戻す。
注目語（過学習・モデル化・評価）が、どの概念の説明かを先に決める。
正解候補を「過学習」に絞った後、他の選択肢がなぜ条件とずれるかを確認する。

選択肢ごとの見方

ア過学習正解

正解。問題文の条件に最も合うのは「過学習」です。解説の中心語と一致しているかを確認します。

イ次元の呪い誤答

誤答候補。「次元の呪い」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「過学習」と何が違うかを解説で確認します。

ウアノテーション誤答

誤答候補。「アノテーション」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「過学習」と何が違うかを解説で確認します。

エデータドリフト誤答

誤答候補。「データドリフト」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「過学習」と何が違うかを解説で確認します。

消去法

「次元の呪い」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「アノテーション」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「データドリフト」を消す理由を、定義・用途・対象のどれが違うかで説明する。

分類モデルの精度評価で、実際に病気である人のうち正しく陽性と判定できた割合を表す指標として正しいものはどれか。

アPrecision（適合率）
イRecall（再現率）
ウRMSE
エ決定係数

答えと解説を見る

イRecall（再現率）正解

解説

混同行列、Accuracy、Precision、Recall、F値、特異度を理解し、精度を評価できる必要がある。Recall（再現率）は実際の正例のうち正しく陽性と判定できた割合を表し、見逃しを減らしたい場面で重視される。

注目する語

混同行列PrecisionRecallF値モデル化・評価Recall（再現率）

判断手順

問題文が聞いている対象を「モデル化・評価」に戻す。
注目語（混同行列・Precision・Recall）が、どの概念の説明かを先に決める。
正解候補を「Recall（再現率）」に絞った後、他の選択肢がなぜ条件とずれるかを確認する。

選択肢ごとの見方

アPrecision（適合率）誤答

誤答候補。「Precision（適合率）」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「Recall（再現率）」と何が違うかを解説で確認します。

イRecall（再現率）正解

正解。問題文の条件に最も合うのは「Recall（再現率）」です。解説の中心語と一致しているかを確認します。

ウRMSE誤答

誤答候補。「RMSE」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「Recall（再現率）」と何が違うかを解説で確認します。

エ決定係数誤答

誤答候補。「決定係数」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「Recall（再現率）」と何が違うかを解説で確認します。

消去法

「Precision（適合率）」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「RMSE」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「決定係数」を消す理由を、定義・用途・対象のどれが違うかで説明する。

「教師あり学習」と「教師なし学習」の違いとして最も適切な説明はどれか。

ア教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない
イ教師あり学習は必ず回帰、教師なし学習は必ず分類を行う
ウ教師あり学習と教師なし学習に違いはない
エ教師なし学習の方が必ず精度が高い

答えと解説を見る

ア教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない正解

解説

「教師あり学習」「教師なし学習」の違いを理解している必要がある。教師あり学習は正解データ（ラベル）を用いて学習し、教師なし学習はラベルを用いずデータの構造を学習する。

注目する語

教師あり学習教師なし学習モデル化・評価

判断手順

問題文が聞いている対象を「モデル化・評価」に戻す。
注目語（教師あり学習・教師なし学習・モデル化・評価）が、どの概念の説明かを先に決める。
正解候補を「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」に絞った後、他の選択肢がなぜ条件とずれるかを確認する。

選択肢ごとの見方

ア教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない正解

正解。問題文の条件に最も合うのは「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」です。解説の中心語と一致しているかを確認します。

イ教師あり学習は必ず回帰、教師なし学習は必ず分類を行う誤答

誤答候補。「教師あり学習は必ず回帰、教師なし学習は必ず分類を行う」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」と何が違うかを解説で確認します。

ウ教師あり学習と教師なし学習に違いはない誤答

誤答候補。「教師あり学習と教師なし学習に違いはない」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」と何が違うかを解説で確認します。

エ教師なし学習の方が必ず精度が高い誤答

誤答候補。「教師なし学習の方が必ず精度が高い」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」と何が違うかを解説で確認します。

消去法

「教師あり学習は必ず回帰、教師なし学習は必ず分類を行う」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「教師あり学習と教師なし学習に違いはない」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「教師なし学習の方が必ず精度が高い」を消す理由を、定義・用途・対象のどれが違うかで説明する。

決定木をベースとしたアンサンブル学習の手法として当てはまらないものはどれか。

アRandom Forest
イXGBoost
ウLightGBM
エホールドアウト法

答えと解説を見る

エホールドアウト法正解

解説

決定木をベースとしたアンサンブル学習（Random Forest、勾配ブースティング[GBDT]、その派生形であるXGBoost、LightGBMなど）による分析を、ライブラリを使って実行できる必要がある。ホールドアウト法はデータをどう分割して評価するかの検証手法であり、アンサンブル学習の手法ではない。

注目する語

Random Forest勾配ブースティングXGBoostLightGBMホールドアウト法モデル化・評価

判断手順

問題文が聞いている対象を「モデル化・評価」に戻す。
注目語（Random Forest・勾配ブースティング・XGBoost）が、どの概念の説明かを先に決める。
正解候補を「ホールドアウト法」に絞った後、他の選択肢がなぜ条件とずれるかを確認する。

選択肢ごとの見方

アRandom Forest誤答

誤答候補。「Random Forest」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「ホールドアウト法」と何が違うかを解説で確認します。

イXGBoost誤答

誤答候補。「XGBoost」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「ホールドアウト法」と何が違うかを解説で確認します。

ウLightGBM誤答

誤答候補。「LightGBM」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「ホールドアウト法」と何が違うかを解説で確認します。

エホールドアウト法正解

正解。問題文の条件に最も合うのは「ホールドアウト法」です。解説の中心語と一致しているかを確認します。

消去法

「Random Forest」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「XGBoost」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「LightGBM」を消す理由を、定義・用途・対象のどれが違うかで説明する。

自然言語処理において、文章から主語・述語などの関係を解析する処理として正しいものはどれか。

ア係り受け解析
イ画像セグメンテーション
ウサンプリングレート変換
エ正規化

答えと解説を見る

ア係り受け解析正解

解説

形態素解析や係り受け解析のライブラリを適切に使い、基本的な文書構造解析を行うことができる必要がある。係り受け解析は文中の語句同士の修飾・被修飾関係を解析する処理である。

注目する語

係り受け解析形態素解析非構造化データ処理

判断手順

問題文が聞いている対象を「非構造化データ処理」に戻す。
注目語（係り受け解析・形態素解析・非構造化データ処理）が、どの概念の説明かを先に決める。
正解候補を「係り受け解析」に絞った後、他の選択肢がなぜ条件とずれるかを確認する。

選択肢ごとの見方

ア係り受け解析正解

正解。問題文の条件に最も合うのは「係り受け解析」です。解説の中心語と一致しているかを確認します。

イ画像セグメンテーション誤答

誤答候補。「画像セグメンテーション」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「係り受け解析」と何が違うかを解説で確認します。

ウサンプリングレート変換誤答

誤答候補。「サンプリングレート変換」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「係り受け解析」と何が違うかを解説で確認します。

エ正規化誤答

誤答候補。「正規化」は関連語として出やすいですが、この問題文の条件とはずれます。正解の「係り受け解析」と何が違うかを解説で確認します。

消去法

「画像セグメンテーション」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「サンプリングレート変換」を消す理由を、定義・用途・対象のどれが違うかで説明する。
「正規化」を消す理由を、定義・用途・対象のどれが違うかで説明する。

DS検定第5章データ準備・可視化技法とモデル化予想問題と解説

この章の要点

確認しておきたいポイント

標本誤差とサンプリングバイアスの違いについて、最も適切な説明はどれか。

注目する語

判断手順

選択肢ごとの見方

消去法

関連復習

訓練データに過剰に適合し、未知のデータへの予測性能が下がってしまう現象の名称として正しいものはどれか。

注目する語

判断手順

選択肢ごとの見方

消去法

関連復習

分類モデルの精度評価で、実際に病気である人のうち正しく陽性と判定できた割合を表す指標として正しいものはどれか。

注目する語

判断手順

選択肢ごとの見方

消去法

関連復習

「教師あり学習」と「教師なし学習」の違いとして最も適切な説明はどれか。

注目する語

判断手順

選択肢ごとの見方

消去法

関連復習

決定木をベースとしたアンサンブル学習の手法として当てはまらないものはどれか。

注目する語

判断手順

選択肢ごとの見方

消去法

関連復習

自然言語処理において、文章から主語・述語などの関係を解析する処理として正しいものはどれか。

注目する語

判断手順

選択肢ごとの見方

消去法

関連復習