1.2標準
解約予測モデルの特徴量に、解約後に記録される項目が含まれる。
本番で使える特徴量だけにしたい。
対応として適切なものを2つ選べ。
× 不正解
ターゲット漏洩は予測時点より後に得られる情報が特徴量へ混入する問題である。利用可能時刻を監査し、時系列で再評価する。
詳細解説
正しい予測時点で利用可能な時刻までに作れる特徴量だけを残す
未来の情報を排除できる。
未来の情報を排除できる。
問題の要件では、予測時点で利用可能な時刻までに作れる特徴量だけを残すが解決する範囲と、別の工程が担う範囲を分けて判断する。
正しい特徴量の生成元・時刻・更新条件を監査し、時系列分割で再評価する
漏洩による過大評価を検出できる。
漏洩による過大評価を検出できる。
問題の要件では、特徴量の生成元・時刻・更新条件を監査し、時系列分割で再評価するが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り学習時に高い相関がある項目は、予測時刻に存在しなくても残す
未来情報を利用する。
未来情報を利用する。
問題の要件では、学習時に高い相関がある項目は、予測時刻に存在しなくても残すが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤りテスト正解率が高ければ特徴量の利用時点を確認しなくてよい
過大評価を見逃す。
過大評価を見逃す。
問題の要件では、テスト正解率が高ければ特徴量の利用時点を確認しなくてよいが解決する範囲と、別の工程が担う範囲を分けて判断する。
実際に確かめる
一時的な検証環境で実行できる例です。
AWS公式AIF-C01 Domain 1.2のデータ漏洩、特徴量生成時点、評価を確認する。期待される結果
特徴量の相関ではなく、予測時点で利用可能かを確認してモデルを評価できる。理解のポイント
- ターゲット漏洩
- 予測時点
- 時系列分割
確認時の注意
- 確認環境: AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
ターゲット漏洩
予測対象の結果や未来情報が学習特徴量へ混入すること。
時系列分割
未来のデータを訓練へ混ぜず、過去から未来を予測する形で分割する方法。
問題IDAWS-AIF-415
確認環境AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
最終技術確認2026-08-20
誤り・権利侵害を報告