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（2/2）

正解は「特徴量エンジニアリング」である。特徴量エンジニアリングは元のデータから、モデルの予測に役立つ新たな変数や表現を作る取り組みを指す。標準化やスケーリングは数値の尺度を整える変換であり、必ずしも新しい情報を持つ変数を作ることを意味しない。外れ値は統計的に極端な値を指す語であり、データから変数を設計する作業の名称ではない。設問では値の大きさを調整する処理か、極端な値を見つけることか、予測の材料となる表現を設計することかを区別する。したがって特徴量エンジニアリングを選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「RMSE」である。RMSEは回帰モデルの予測値と実際の値の差を二乗して平均し、その平方根を取って誤差を評価する指標である。MAEは誤差の絶対値を平均するため、二乗と平方根を用いる設問の条件とは異なる。MAPEは誤差を割合として扱う指標であり、予測値と実測値の差を二乗して扱うものではない。Accuracyは分類で正しく判定できた割合を表す指標であり、回帰の数値誤差を評価しない。誤差を絶対値、割合、二乗のどれで扱うかを確認する。したがってRMSEを選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「定常性」である。定常性は時系列データを扱う際に、平均や分散などの性質が時間によって大きく変わらない状態を表す。時系列データは時間の経過に沿って観測されたデータそのものを指し、その性質が一定かどうかを表す語ではない。交差検証とホールドアウト法はモデルの評価に関する方法であり、時間方向のデータの性質を表す概念ではない。時系列を用いて将来を扱う際には、時間が進んでも性質が同じとみなせるかを確認する必要がある。設問ではデータの並び方、評価手法、時間に対して変化しない性質を区別する。したがって定常性を選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「デンドログラム」である。デンドログラムは階層クラスタリングで、クラスタがどの順に結合されるかという階層関係を木のように表す図である。ROC曲線は分類モデルの性能に関わる図、混同行列は分類の予測結果を整理する表、散布図行列は複数の変数について二変数の関係を並べる可視化手法である。設問では分類モデルの評価や変数間の関係ではなく、クラスタを段階的に結合する構造を問うている。階層クラスタリングと対になる図を確認すれば判断できる。したがってデンドログラムを選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「欠損値」である。欠損値は観測すべき値が記録されておらず、データ項目が空になっている状態を指す。外れ値は統計的に極端な値、異常値は入力ミスや測定機器の故障など原因が明確な誤データを指し、値が存在しない状態とは異なる。標準化は数値の尺度を整える変換であり、データが空であることを表す語ではない。データ準備では、値がないのか、値はあるが極端なのか、原因が明確な誤りなのかを切り分けて対応する。欠損の理由や発生の偏りも確認し、削除・補完・収集方法の見直しをデータの用途に応じて決める。したがって欠損値を選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「ダミー変数」である。ダミー変数は、カテゴリを表す値を、通常は0や1などの数値の列として表現するために使う。外れ値は分布の中で極端に離れた値、対数変換は数値へ対数を適用する変換、スケーリングは数値の範囲や尺度を調整する処理である。いずれもカテゴリを列へ展開してモデル入力へ渡す役割とは異なる。設問では、元の値が数値かカテゴリかをまず判別し、カテゴリを数値表現へ変える処理を問うている。列の値が示すカテゴリと基準となるカテゴリを区別して設計することも、解釈を誤らないために重要である。したがってダミー変数を選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「AUC」である。AUCはROC曲線の下側の面積を表し、分類モデルが陽性と陰性をどの程度識別できるかを評価する指標である。RMSEは予測値と実測値の差を二乗して扱う回帰の誤差指標、MAEは誤差の絶対値を平均する回帰の誤差指標、MAPEは誤差を割合として扱う回帰の評価指標である。設問では予測する対象が連続値ではなく分類であり、ROC曲線という可視化と結び付く評価値を問うている。分類か回帰かを最初に区別し、ROC曲線の面積に対応するAUCを選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「CNN」である。CNNは畳み込みを利用するニューラルネットワークであり、画像認識などの画像データを扱う場面で用いられる。RNNは系列的なデータを扱うニューラルネットワーク、Transformerは注意機構を利用するモデル、Random Forestは複数の決定木を組み合わせる機械学習の手法である。設問では画像の局所的な特徴を扱うために畳み込みを利用する点を手掛かりにする。ニューラルネットワークであることだけではなく、畳み込みと画像認識という組合せを確認することで、CNNと他のモデルを区別できる。したがってCNNを選ぶ。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「セグメンテーション」である。セグメンテーションは、画像を画素単位または意味のあるまとまり単位で領域分割する処理であり、道路画像から車道や建物の領域を分ける目的に合う。姿勢推定は画像や映像から人物の関節位置や体の向きなどを推定する処理で、領域全体を分類するものではない。形態素解析は文章を単語などの単位へ分けて品詞を扱う自然言語処理、固有表現抽出は文中の人名・地名・組織名などを取り出す処理である。画像の対象を一つ検出するのか、画像全体を意味ごとの領域へ分けるのかを区別すると判断できる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「姿勢推定」である。姿勢推定は、画像や映像から人物の関節位置や体の向きといった姿勢を推定する画像認識のタスクである。設問では肩、肘、膝という関節と体の向きが明示されているため、フォーム分析に必要な姿勢推定を選ぶ。セグメンテーションは画像を意味のある領域へ分割する処理であり、人物の輪郭を分けることはできても関節位置そのものを求める名称ではない。機械翻訳は言語を別の言語へ変換する処理、サンプリングレートは音声などを数値として取得する回数に関わる用語である。対象が人物の身体構造か、画像領域・文章・音声かを区別することが判断基準になる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「外れ値」である。外れ値は、ほかの観測値から大きく離れた値を指し、見つけた時点で直ちに誤りとは決めず原因を確認して扱いを判断する。異常値は入力ミスや測定機器の故障など、明確な原因によって生じた誤った値を指す。設問では値が極端であることだけが分かり、誤りの原因は未確認なので外れ値として扱う。欠損値は値が記録されていない状態、標準化は値の尺度をそろえる処理である。極端さという観測上の特徴と、誤りと判定できる原因の有無を分けて判断する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「対数変換」である。対数変換は、数値データに対数をとることで、大きな値の影響を圧縮し、分布の偏りや歪みを小さくする変換処理である。設問では少数の非常に大きい購入額によって分布が偏っており、値に対数をとると明示されているため対数変換を選ぶ。標準化は平均や標準偏差を基準に尺度をそろえる処理、離散化は連続値を区間ごとのカテゴリへ変える処理、ダミー変数化はカテゴリを数値列で表す処理である。何を改善したいかと、値にどの演算を施すかを対応させる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「単回帰分析」である。単回帰分析は、一つの説明変数と目的変数の関係を回帰式で表す分析である。設問では説明変数が広告費の一つだけで、売上との関係を表したいため単回帰分析を使う。重回帰分析は複数の説明変数を同時に扱う。ロジスティック回帰分析は事象が起きる確率を推定し二値分類などに用いる。クラスター分析は正解ラベルなしで似た対象をグループ化する。予測対象が連続的な売上か、説明変数が一つか複数かという二つの条件を順に確認する。広告費以外の説明変数が追加された場合には重回帰分析との区別が必要になるが、この設問では一変数であることが決め手になる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「Accuracy」である。Accuracyは、分類した全件のうち正しく分類できた件数の割合を表す指標である。設問では陽性・陰性の一方だけに注目せず、全100件を分母として正解した件数を評価するためAccuracyを使う。Precisionは正と予測した対象のうち実際にも正だった割合、Recallは実際に正である対象のうち正と判定できた割合、特異度は実際に負である対象のうち負と判定できた割合である。分母が全件か、予測陽性か、実際の陽性・陰性かを確認して区別する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「RNN」である。RNNは、前の時点までの情報を内部状態として保持し、その情報を次の時点の入力と合わせて逐次処理するニューラルネットワーク構造である。設問は時点ごとの処理と内部状態の引継ぎを示しているためRNNを選ぶ。Transformerは単語などの関係性を踏まえながら系列を並列に処理する構造、CNNは畳み込みを用いて画像などの局所的特徴を扱う構造、Random Forestは複数の決定木を組み合わせる手法である。系列の順序を逐次的な内部状態で扱うかを判断軸にする。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「実験計画法」である。実験計画法は、実験の目的に応じて処置の割り付け方や反復、条件の近い単位へ分ける局所管理化などを事前に設計する方法論である。設問ではデータ取得後の分析ではなく、比較可能な結果を得るための実験手順を先に決めている。特徴量エンジニアリングはモデルへ入力する特徴量を作る工程、交差検証はデータを分割してモデルの汎化性能を評価する方法、クラスター分析は似た対象をグループ化する分析である。処置をどう割り付け、どのように実験を繰り返すかを事前に決める点が判断軸になる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-08-22公式スキルチェックリストver.6照合）

正解は「最小二乗法」である。最小二乗法は、観測値と予測値の差である残差を二乗し、その合計が最小になるように回帰式の係数を求める方法である。設問は回帰直線の係数を決める目的関数として残差の二乗和を使っているため最小二乗法に一致する。ロジスティック回帰分析は分類確率を扱うモデル、交差検証はデータ分割を変えながらモデルを評価する方法、勾配ブースティングは弱い学習器を順次組み合わせる手法である。何を最小化して係数を求めるかを確認する。残差をそのまま足さず、二乗して合計する点が名称を判断する手掛かりになる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「偏回帰係数」である。偏回帰係数は、重回帰分析において他の説明変数を一定に保った条件で、特定の説明変数が1単位変化したときの目的変数の変化を表す。設問は他の要因を固定し、広告費だけの影響を読んでいるため偏回帰係数を選ぶ。ピアソンの相関係数は二変数の線形な関連の強さと向きを表し、因果的な影響量を直接示さない。決定係数はモデルが目的変数の変動をどの程度説明するかを表す。回帰係数は広い呼称だが、複数の説明変数のうち他を固定した一変数の係数という条件では偏回帰係数が具体的である。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「活性化関数」である。活性化関数は、ニューラルネットワークのユニットで入力の重み付き和を受け取り、非線形な出力へ変換する関数である。非線形変換を層の間に入れることで、線形変換を重ねるだけでは表しにくい複雑な関係を学習できる。回帰係数は説明変数と目的変数の関係を回帰式で表す係数、標準化はデータの尺度をそろえる前処理、Accuracyは全分類件数に占める正解件数の割合を表す評価指標である。ユニット内部の変換という役割に着目する。入力前の処理や学習後の評価とは処理される段階が異なる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「マルコフ決定過程」である。マルコフ決定過程は、意思決定の問題を状態、行動、状態遷移、報酬の枠組みで表すモデルであり、現在の状態と行動に基づいて次の状態への遷移と報酬を扱う。強化学習は、エージェントが環境との試行錯誤から報酬の合計を大きくする行動方針を学ぶ手法であり、マルコフ決定過程はその環境や意思決定問題を定式化する基礎となる。教師あり学習は正解ラベルから対応を学び、時系列データは時間順に並んだ観測値である。学習手法ではなく、状態と行動を用いた問題の表現を問う点が決め手になる。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「時系列データ」である。時系列データは、時間の経過に沿って観測した値を順番に並べたデータであり、観測の前後関係に意味がある。設問では売上を毎日記録し、日付順を保って前日との関係や推移を調べるため、時系列データに当たる。標本平均は標本の値を合計して個数で割った代表値、クラスター分析は似た対象をグループ化する分析、混同行列は分類結果を正解と予測の組合せで集計した表である。単に日付列があるかではなく、観測順序を入れ替えると分析上の意味が変わるかを確認する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「階層クラスタリング」である。階層クラスタリングは、類似度の高いデータやクラスター同士を段階的に併合し、クラスター数をあらかじめ指定せずに階層構造を作る手法である。設問では顧客や既存グループを順番にまとめるため、この手法に一致する。クラスター分析は似た対象をグループ化する分析の総称であり、階層クラスタリングはその具体的手法である。デンドログラムは階層的な併合結果を木の形で示す図で、手法そのものではない。Random Forestは複数の決定木を組み合わせるモデルである。入力・処理・出力のどれを問うかを分ける。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-07-12公式スキルチェックリストver.6照合）

正解は「音声フォーマット」である。音声フォーマットは、wavやmp3など、音声データを記録・保存するためのファイル形式を指す。設問は特定の録音回数や解析処理ではなく、保存形式の総称を問うため音声フォーマットを選ぶ。サンプリングレートは音声をデジタル化するときに一定時間あたり何回標本化するかを表す値であり、ファイル形式そのものではない。画像認識は画像の内容を識別する処理、形態素解析は文章を意味のある最小単位へ分ける自然言語処理である。音声の保存形式か、音声化の設定値かを区別する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-08-22公式スキルチェックリストver.6照合）

正解は「局所管理化」である。局所管理化は、実験全体の条件を均一にそろえられない場合に、条件の近い単位をブロックへ分け、その内部で比較することで条件差の影響を小さくする原則である。設問では会場条件の近さでブロックを作り、ブロック内で施策を比較しているため局所管理化に当たる。反復は同じ条件の実験を複数回繰り返して偶然誤差を評価すること、無作為化は処置をランダムに割り当てること、実験計画法はこれらの手順を含めて実験を事前設計する方法論である。ブロック分けの目的を確認する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-08-22公式スキルチェックリストver.6照合）

正解は「反復」である。反復は、同一条件での実験を複数回繰り返し、結果に含まれる偶然誤差の大きさを評価するための原則である。設問では温度と材料を同じに保ち、測定回数を増やしてばらつきを確認しているため反復に当たる。局所管理化は条件の近い単位をブロックへ分けて比較すること、無作為化は処置をランダムに割り当てること、交差検証はデータの分割を変えてモデルの性能を評価する方法である。何を複数回にしているのかが実験そのものなら反復、モデル評価のデータ分割なら交差検証と区別する。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-08-22公式スキルチェックリストver.6照合）

正解は「無作為化」である。無作為化は、実験の条件や処置を対象へランダムに割り当てる原則であり、取り上げていない要因の影響を特定の処置へ偏らせにくくして偶然誤差へ含める。設問では担当者が場所を選ばず、乱数で肥料AとBを各区画へ割り当てているため無作為化に当たる。反復は同一条件の実験を複数回繰り返すこと、局所管理化は条件の近い対象をブロックへ分けること、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ある。割り当て方法がランダムかどうかを判断軸にする。

https://github.com/The-Japan-DataScientist-Society/skills-checklist （2026-08-22公式スキルチェックリストver.6照合）

正解は「1」である。各件の実測値と予測値の差は2-1＝1、4-4＝0、6-8＝-2で、その絶対値は1、0、2となる。MAEは絶対誤差の平均なので、(1+0+2)÷3＝3÷3＝1である。約0.67は符号付き誤差を一部だけ処理した値、約1.29は同じ誤差から二乗平均の平方根を取るRMSE、3は絶対誤差の合計で平均する前の値である。MAEでは正負の誤差を相殺させず絶対値にしてから平均する。3件の誤差の大きさが1、0、2であるため、その中央だけでなく合計を件数3で割ることが決め手になる。値が0に近いほど予測誤差が小さい。

https://scikit-learn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html ・公式data_science.csv（2026-08-31確認）

正解は「約1.29」である。誤差は1、0、-2で、二乗すると1、0、4となる。二乗誤差の平均は(1+0+4)÷3＝5/3＝約1.667であり、その平方根はsqrt(5/3)＝約1.291なのでRMSEは約1.29となる。約0.58は平方根と除算の順序を誤った値、1は絶対誤差を平均するMAE、約1.67は平方根を取る前のMSEである。RMSEでは大きな誤差ほど二乗によって強く反映される。本問では誤差2の二乗4が計算を押し上げ、同じデータのMAE=1よりRMSEが大きくなる。最後に平方根を取って実測値と同じ尺度へ戻すことが要点である。

https://scikit-learn.org/stable/modules/generated/sklearn.metrics.root_mean_squared_error.html ・公式data_science.csv（2026-08-31確認）

正解は「Precision=0.75、Recall=0.60」である。Precisionは正と予測したTP+FPを分母にするため、30÷(30+10)＝30/40＝0.75となる。Recallは実際に正であるTP+FNを分母にするため、30÷(30+20)＝30/50＝0.60となる。0.60と0.75を逆にした選択肢は分母を取り違えている。0.70は(TP+TN)/全件数で求めるAccuracy、0.80はTN/(TN+FP)で求める特異度であり、Precision・Recallとは対象が異なる。同じTP=30を分子にしても、偽陽性を含む予測正40件か、偽陰性を含む実際正50件かで分母が変わることを確認する。

https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_score.html ・https://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html ・公式data_science.csv（2026-08-31確認）

正解は「Accuracy=0.70、特異度=0.80」である。全件数は30+10+20+40＝100、正しく分類した件数はTP+TN＝30+40＝70なので、Accuracyは70/100＝0.70となる。特異度は実際の負であるTN+FPを分母にして、TN/(TN+FP)＝40/(40+10)＝40/50＝0.80となる。0.60はRecall、0.75はPrecisionであり、別の分母を使う指標である。Accuracyは陽性・陰性の両方の正解を全体で評価し、特異度は実際に陰性のものだけの正解率を見る。同じ混同行列でも、分母が全体の100件か、実際の負の50件かで値が変わる点が要点である。

https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html ・https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html ・公式data_science.csv（2026-08-31確認）

正解は「15%」である。1件目の絶対パーセント誤差は|100-80|÷100×100＝20%、2件目は|200-220|÷200×100＝10%である。MAPEは観測ごとの絶対パーセント誤差を平均するため、(20%+10%)÷2＝15%となる。5%は誤差の符号を残した20%と-10%を平均した値、約13.33%は絶対誤差の合計40を実測値の合計300で割った値、20%は1件目だけを用いた値である。MAPEでは、絶対誤差をまとめてから実測値の合計で割るのではなく、各観測で実測値を分母にして相対化してから平均する。実測値が0の場合は分母が0になるため、適用や実装上の扱いを別途確認する必要がある。

https://raw.githubusercontent.com/The-Japan-DataScientist-Society/skills-checklist/main/data_science.csv （No.174）・https://scikit-learn.org/stable/modules/model_evaluation.html#mean-absolute-percentage-error （2026-08-31確認）

正解は「実測値0の項で分母が0になるため、MAPEは定義どおりには計算できない」である。MAPEは各観測で実測値と予測値の差の絶対値を実測値の絶対値で割る。実測値100・予測値90の項は|100-90|÷|100|=0.1、すなわち10%である。一方、実測値0・予測値10の項は|0-10|÷|0|=10÷0となり、分母が0なので定義どおりの割合を作れない。実測値0の項を0%にすることも、残りの観測だけを自動的に平均することも、MAPEの定義からは導けない。非ゼロの誤差を0で割ることを無限大%と単純に確定するのではなく、実測値0を含むデータへMAPEを使うか、除外・代替指標などの扱いを事前に定める必要がある。式へ数値を代入する前に、各観測の分母が0にならないかを確認することが判断軸である。

https://raw.githubusercontent.com/The-Japan-DataScientist-Society/skills-checklist/main/data_science.csv （No.174、2026-09-01確認）