DNN 回帰モデルのパフォーマンスは、入力データの分布の変化により、時間の経過とともに低下する可能性があります。この現象はデータドリフトまたは概念ドリフトとして知られており、モデル予測の精度と信頼性に影響を与える可能性があります。データドリフトは、季節変動、人口変動、市場動向、外部イベントなど、さまざまな要因によって引き起こされる可能性があります。1 生産における入力の差異に対処するには、スキューを監視してモデルを再トレーニングするためのアラートを作成する必要があります。スキューは、生産における入力データがモデルのトレーニングに使用された入力データとどれだけ異なるかを示す尺度です。スキューは、トレーニングデータと生産データの入力特徴の統計と分布（平均、標準偏差、ヒストグラム、分位数など）を比較することで検出できます。スキューが特定のしきい値を超えたときにモデル開発者またはオペレーターに通知するようにアラートを設定できます。これは、入力データに大きな変化があったことを示しています。2 アラートがトリガーされると、入力特徴の現在の分布を反映した最新のデータを使用してモデルを再トレーニングする必要があります。モデルを再学習させることで、モデルが新しいデータに適応し、パフォーマンスを向上させることができます。モデルの再学習は、データドリフトの頻度と深刻度に応じて、手動または自動で行うことができます。モデルの再学習には、必要に応じて、モデルアーキテクチャ、ハイパーパラメータ、または最適化アルゴリズムの更新も含まれる場合があります。3 他のオプションは、それほど効果的または実現可能ではありません。モデルで特徴選択を実行し、より少ない特徴でモデルを再学習することは、モデルの表現力と複雑さを低下させ、出力に影響を与える可能性のある重要な特徴を無視する可能性があるため、良いアイデアではありません。ハイパーパラメータチューニングサービスを使用してモデルを再学習し、L2 正則化パラメータを選択することは、L2 正則化はデータドリフトではなく過学習を防ぐための手法であるため、関係ありません。より少ない特徴でモデルを毎月再学習することは、入力データのタイムリーな変化を捉えられない可能性があり、モデルのパフォーマンスを損なう可能性があるため、最適ではありません。

* オプション A が正解です。再現率を精度よりも重視する F スコアは、不均衡データを用いた二値分類に適した指標です。F スコアは精度と再現率の調和平均であり、これらは正例の正確さと完全性を測定する 2 つの指標です 1。精度は予測されたすべての正例のうち真正である割合であり、再現率は実際のすべての正例のうち真正である割合です 1。データが不均衡な場合、正例クラスは少数派クラスであり、通常は関心のあるクラスです。たとえば、この場合、正例クラスは会社のロゴを含む画像であり、まれですが検出することが重要です。再現率を精度よりも重視することで、偽陽性がいくつか含まれていても、すべての正例を見つけることの重要性を強調できます 2。
* オプションBは、RMSE（二乗平均平方根誤差）が不均衡データを用いた二値分類の有効な指標ではないため、誤りです。RMSEは、予測値と実際値の間の誤差の平均的な大きさを測定する指標です3。RMSEは、目的変数が連続である回帰問題には適していますが、目的変数が離散である分類問題には適していません4。
* オプション C は、不均衡なデータを使用した二値分類において F1 スコアが最適な指標ではないため、誤りです。F1 スコアは、精度と再現率が等しく重み付けされた F スコアの特殊なケースです 1。F1 スコアは、正のクラスと負のクラスが等しく重要で頻繁に出現するバランスの取れたデータに適しています 5。しかし、不均衡なデータでは、正のクラスは負のクラスよりも重要で出現頻度が低いため、F1 スコアはモデルのパフォーマンスを適切に反映しない可能性があります 2。
* オプションDは、再現率よりも精度を重視するFスコアを使用するのは適切ではないため誤りです。
* 不均衡データを用いた二値分類の指標。再現率よりも精度を重視することで、真陽性が見逃されても偽陽性を最小限に抑えることの重要性を強調できます2。ただし、不均衡データの場合、真陽性は偽陽性よりも重要で頻度が低いため、この指標はモデルのパフォーマンスを適切に反映しない可能性があります2。
参考文献：
* 精度、再現率、F値
* 不均衡データに対するFスコア
* RMSE
* 回帰と分類
* F1スコア
* [不均衡な分類]
* [二値分類]