Q78 — AWS AIF-C01 第2章

第 78/100 問 | ← 第2章

ある企業が、営業担当者が特定の顧客に対して営業提案を作成するかどうかを判断するMLソリューションを構築したいと考えています。このモデルは、顧客および提案仕様に関するいくつかの入力データを考慮します。出力は、各営業提案に対する「承認」または「拒否」です。企業はすでに一部の履歴記録データを保有しています。この要件を満たすML技術はどれですか？

正解: A. 分類

解説

解説如下: A. 分類は、入力データを離散的なカテゴリまたはラベルに割り当てる教師あり学習のタスクです。本ケースでは、入力データ（顧客および提案の特徴）を「承認」または「拒否」という2つのカテゴリに分類することが求められており、まさに分類問題の目的です。ロジスティック回帰、決定木、ランダムフォレストなどの分類アルゴリズムが適用可能です。 B. 回帰は、連続値の出力を予測する教師あり学習のタスクであり、通常は住宅価格や売上などの連続値を予測する場合に用いられます。しかし本例では、「承認」または「拒否」という離散的なカテゴリを予測する必要があり、回帰技術には適していません。 C. クラスタリングは、類似したデータポイントを異なるクラスタまたはグループに分割する教師なし学習の技術です。本例では、入力特徴と目的変数（承認または拒否）との間のマッピング関係を学習する必要があり、単なるデータのクラスタリングには該当しないため、不適切です。 D. 次元削減は、高次元データの可視化やトレーニング速度の向上を目的とした教師なし学習の技術であり、本例のようにデータを分類予測するという直接的な要件を満たしません。 この企業は既に履歴のラベル付きデータを保有しているため、教師あり学習の分類技術を採用し、顧客および提案の特徴を「承認」または「拒否」という離散的なカテゴリ出力にマッピングすることが可能です。したがって、このビジネス要件に最も適した機械学習技術は分類です。