[2026-08-01更新,209問] 無料Google Professional-Machine-Learning-Engineer試験問題集、Professional-Machine-Learning-Engineer PDF問題サンプル(ページ 7)

Professional-Machine-Learning-Engineer 試験問題 26

scikit-learnの分類器モデルをTensorFlowに移行したいと考えています。scikit-learnモデルのトレーニングに使用したのと同じトレーニングセットを使用してTensorFlow分類器モデルをトレーニングし、共通のテストセットを使用してパフォーマンスを比較する予定です。Vertex Al Python SDKを使用して、各モデルの評価指標を手動でログに記録し、F1スコアと混同行列に基づいて比較したいと考えています。どのように指標をログに記録すればよいでしょうか？

Professional-Machine-Learning-Engineer 試験問題 27

時系列データを用いた分類問題に取り組んでおり、わずか数回の実験で、訓練データにおける受信者操作特性曲線下面積（AUC ROC）値が99%に達しました。高度なアルゴリズムの使用やハイパーパラメータの調整に時間を費やしたことはありません。問題を特定し、解決するために、次にどのような手順を踏むべきでしょうか？

A. より単純なアルゴリズムを使用することで、モデルの過学習に対処します。

B. モデルトレーニング中にネストされた交差検証を適用することで、データ漏洩に対処します。

C. 目標値と相関性の高い特徴量を削除することで、データ漏洩に対処します。

D. ハイパーパラメータを調整して AUC ROC 値を減らすことで、モデルの過学習に対処します。

正解: B

データリークとは、トレーニングデータセット外の情報がモデル作成に使用され、モデル性能の推定値が過度に楽観的または不正確になる問題です。時系列データの場合、データ準備やモデル評価の際にデータの時間的順序が保持されないと、データリークが発生する可能性があります。
例えば、データを訓練セットとテストセットに分割する前にシャッフルしたり、過去のデータの欠損値を補完するために将来のデータを使用したりすると、データリークが発生する可能性があります。
時系列データにおけるデータ漏洩に対処する一つの方法は、モデル学習中にネストされた交差検証を適用することである。
ネストされた交差検証は、データの時間的順序を維持しながら、モデル選択とモデル評価の両方を堅牢に実行できる手法です。ネストされた交差検証は、モデル選択のための内側のループとモデル評価のための外側のループという2つのレベルの交差検証で構成されます。内側のループでは、トレーニングデータをk個のフォールドに分割し、k-1個のフォールドでモデルをトレーニングおよびチューニングし、残りのフォールドでモデルを検証します。内側のループはこのプロセスを各フォールドで繰り返し、検証結果に基づいて最適なモデルを選択します。外側のループでは、データをn個のフォールドに分割し、内側のループで得られた最適なモデルをn-1個のフォールドでトレーニングし、残りのフォールドでモデルをテストします。外側のループはこのプロセスを各フォールドで繰り返し、テスト結果に基づいてモデルのパフォーマンスを評価します。
ネストされた交差検証は、モデルが重複しないデータで学習およびテストされ、検証に使用されるデータが学習中にモデルによって参照されないことを保証することで、時系列データにおけるデータリークを回避するのに役立ちます。また、ネストされた交差検証は、単一の学習・テスト分割や単純な交差検証よりも、モデル性能のより信頼性の高い推定値を提供できます。これは、推定値の分散とバイアスを低減するためです。
参考文献：
機械学習におけるデータ漏洩
* データ準備時にデータ漏洩を回避する方法
* 単一時系列データに対する分類 - トレーニングデータとテストデータ間のリークを防ぐ

Professional-Machine-Learning-Engineer 試験問題 28

データサイエンティストは、既存のオンプレミスETLプロセスをクラウドに移行する必要があります。現在のプロセスは一定の時間間隔で実行され、PySparkを使用して複数の大規模データソースを結合およびフォーマットし、下流処理のために単一の統合出力を生成します。
データサイエンティストには、クラウドソリューションに関して以下の要件が与えられています。
複数のデータソースを組み合わせる。
* 既存のPySparkロジックを再利用する。
* 既存のスケジュールに従ってソリューションを実行します。
管理する必要のあるサーバーの数を最小限に抑える。
データサイエンティストは、このソリューションを構築するためにどのアーキテクチャを使用すべきでしょうか？

A. 生データをAmazon S3に書き込みます。既存のスケジュールに基づいて、AWS Lambda関数をスケジュールし、Sparkステップを永続的なAmazon EMRクラスターに送信します。既存のPySparkロジックを使用して、EMRクラスター上でETLジョブを実行します。結果を、下流で使用できるAmazon S3の「処理済み」場所に出力します。

B. 生データを Amazon S3 に書き込みます。入力データに対して ETL 処理を実行する AWS Glue ETL ジョブを作成します。既存のロジックを活用するために、ETL ジョブを PySpark で記述します。既存のスケジュールに基づいて ETL ジョブをトリガーする新しい AWS Glue トリガーを作成します。ETL ジョブの出力ターゲットを、
Amazon S3 内の「処理済み」ロケーションであり、下流での利用が可能です。

C. 生データをAmazon S3に書き込みます。既存のスケジュールに従ってAWS Lambda関数を実行し、Amazon S3からの入力データを処理します。PythonでLambdaロジックを記述し、既存のPySparkロジックを実装してETL処理を実行します。Lambda関数が処理結果を、下流で使用できるAmazon S3の「処理済み」場所に出力します。

D. Amazon Kinesis Data Analyticsを使用して入力データをストリーミングし、ストリームに対してリアルタイムSQLクエリを実行して、ストリーム内で必要な変換を実行します。出力結果を配信します。
Amazon S3 内の「処理済み」ロケーションであり、下流での利用が可能です。

Professional-Machine-Learning-Engineer 試験問題 29

顧客取引を含むデータセットを扱っています。顧客の購買行動を予測する機械学習モデルを構築する必要があります。BigQuery MLでモデルを開発し、オンライン予測のためにクラウドストレージにエクスポートする予定です。入力データには、製品カテゴリや支払い方法など、いくつかのカテゴリカル特徴が含まれていることに気づきました。モデルをできるだけ早くデプロイしたいと考えています。どうすればよいですか？

A. モデル作成時にカテゴリカル特徴量に対して ML.ONE_HOT_ENCODER 関数で transform 句を使用し、カテゴリカル特徴量と非カテゴリカル特徴量を選択します。

B. カテゴリカル特徴量に対して ML.ONE_HOT_ENCODER 関数を使用し、エンコードされたカテゴリカル特徴量と非カテゴリカル特徴量を入力として選択してモデルを作成します。

C. create model ステートメントを使用して、カテゴリカル特徴量と非カテゴリカル特徴量を選択します。

D. カテゴリカル特徴量に対して ML.ONE_HOT_ENCODER 関数を使用し、エンコードされたカテゴリカル特徴量と非カテゴリカル特徴量を入力として選択してモデルを作成します。

正解: A

BigQuery ML で顧客の購買行動を予測する ML モデルを構築する最良の方法は、モデル作成時にカテゴリカル特徴量に対して ML.ONE_HOT_ENCODER 関数とともに transform 句を使用し、カテゴリカル特徴量と非カテゴリカル特徴量を選択することです。このオプションを使用すると、カテゴリカル特徴量を、非ゼロ要素が 1 つだけのバイナリベクトルである one-hot ベクトルとしてエンコードできます。one-hot エンコードは、データの次元とスパース性を削減し、カテゴリカル値に数値ラベルを使用する際に発生する順序の問題を回避できるため、ML モデルでカテゴリカル特徴量を処理する一般的な手法です 1 。transform 句は BigQuery ML の機能で、モデル作成時に SQL 式を適用して入力データを変換できます。transform 句を使用すると、変換されたデータを含む新しいテーブルを作成して保存する必要なく、one-hot エンコードなどの特徴量エンジニアリングをオンザフライで実行できます 2 。 ML.ONE_HOT_ENCODER関数とtransform句を使用することで、単一のSQL文でBigQuery MLに機械学習モデルを作成およびトレーニングし、オンライン予測のためにCloud Storageにエクスポートできます。
他の選択肢は、以下の理由から選択肢Aほど優れていません。
* オプション B: カテゴリカル特徴量に対して ML.ONE_HOT_ENCODER 関数を使用し、エンコードされたカテゴリカル特徴量と非カテゴリカル特徴量を入力として選択してモデルを作成する方法は、transform 句を使用する場合よりも多くの手順とストレージ容量を必要とします。ML.ONE_HOT_ENCODER 関数は、指定されたカテゴリカル値に対してワンホットエンコードされたベクトルを返す BigQuery ML 関数です。ただし、この関数だけを使用しても、モデル作成時に入力データにワンホットエンコードは適用されません。
エンコードされた特徴量を含む新しいテーブルを作成し、そのテーブルを入力としてモデルを作成する必要があります。これには追加のストレージコストが発生し、クエリのパフォーマンスが低下します。
* オプション C: create model ステートメントを使用してカテゴリカル特徴量と非カテゴリカル特徴量を選択すると、カテゴリカル特徴量が適切に処理されず、モデルのパフォーマンスが低下する可能性があります。 create model ステートメントは、SQL クエリから ML モデルを作成してトレーニングする BigQuery ML ステートメントです。ただし、入力データにカテゴリカル特徴量が含まれている場合は、それらを one-hot ベクトルとしてエンコードするか、category_count オプションを使用して各特徴量のカテゴリ数を指定する必要があります。そうしないと、BigQuery ML はカテゴリカル特徴量を数値として扱い、モデルにバイアスやノイズが混入する可能性があります 3 。
* オプション D: カテゴリカル特徴量に対して ML.ONE_HOT_ENCODER 関数を使用し、エンコードされたカテゴリカル特徴量と非カテゴリカル特徴量を入力として選択してモデルを作成する方法は、オプション B と同じであり、同じ欠点があります。
参考文献：
Google Cloud 認定資格の準備: 機械学習エンジニア、コース 2: Google Cloud での ML のデータエンジニアリング、第 2 週: 特徴量エンジニアリング Google Cloud プロフェッショナル機械学習エンジニア試験ガイド、セクション 1: ローコード ML ソリューションのアーキテクチャ設計、1.1 BigQuery ML を使用した ML モデルの開発公式 Google Cloud 認定プロフェッショナル機械学習エンジニア学習ガイド、第 3 章: ML のデータエンジニアリング、セクション 3.2: BigQuery for ML ワンホットエンコーディング特徴量エンジニアリングのための TRANSFORM 句の使用モデルの作成 ML.ONE_HOT_ENCODER 関数

Professional-Machine-Learning-Engineer 試験問題 30

あなたは製造会社の機械学習エンジニアです。予測保守のユースケースのための分類モデルを作成しています。修理チームが機械が故障する前に修理するのに十分な時間を確保できるよう、重要な機械が今後 3 日以内に故障するかどうかを予測する必要があります。機械の定期メンテナンスは比較的安価ですが、故障すると非常にコストがかかります。機械が故障するかどうかを予測するために、いくつかのバイナリ分類器をトレーニングしました。ここで、予測が 1 の場合は、機械学習モデルが故障を予測していることを意味します。
現在、評価データセットを用いて各モデルを評価しています。検出を優先しつつ、モデルによってトリガーされるメンテナンス作業の50%以上が差し迫った機械の故障に対処するものであることを保証できるモデルを選択したいと考えています。どのモデルを選択すべきでしょうか？

A. 受信者操作特性曲線（AUC ROC）の下の面積が最も大きく、精度が0.5より大きいモデル

B. 二乗平均平方根誤差（RMSE）が最も低く、再現率が0.5を超えるモデル。

C. 再現率が0.5より大きいモデルの中で最も再現率が高いモデル。

D. 再現率が0.5より大きい、最も精度の高いモデル。

正解: C

検出を優先しつつ、モデルによってトリガーされるメンテナンス作業の50%以上が差し迫った機械故障に対処することを確実にするモデルを選択するための最良の方法は、精度が0.5を超える中で再現率が最も高いモデルを選択することです。この方法には、次のような利点があります。
* これは、モデルによって正しく予測された実際の故障の割合である再現率を最大化します。再現率は感度または真陽性率（TPR）とも呼ばれ、次のように計算されます。
mathrmRecall=fracmathrmTPmathrmTP+mathrmFN
ここで、TPは真陽性（実際に発生した故障が故障と予測された件数）の数、FNは偽陰性（実際に発生した故障が故障ではないと予測された件数）の数です。再現率を最大化することで、モデルは偽陰性の数を減らすことができます。偽陰性は、機械の故障やダウンタイムにつながる可能性のある見逃された故障を表すため、予測保守のユースケースにおいて最もコストがかかり、望ましくない結果となります。
* これは精度を制約します。精度とは、予測された故障のうち実際に故障した割合のことです。精度は陽性予測値（PPV）とも呼ばれ、次のように計算されます。
mathrmPrecision=fracmathrmTPmathrmTP+mathrmFP
ここで、FPは偽陽性（実際には故障ではないにもかかわらず、故障と予測されるケース）の数です。精度を0.5以上に制限することで、モデルによってトリガーされるメンテナンス作業の50%以上が差し迫った機械の故障に対処することを保証でき、不必要な、あるいは無駄なメンテナンスコストを回避できます。
他の選択肢は、以下の理由から最適とは言えません。
* オプション A: 受信者操作特性曲線 (AUC ROC) の下の面積が最大で精度が 0.5 を超えるモデルを選択しても、AUC ROC は再現率を直接測定しないため、検出を優先しない可能性があります。AUC ROC は、すべての可能な閾値にわたってバイナリ分類器の全体的なパフォーマンスを評価する要約指標です。ROC 曲線は TPR (再現率) を、
* 偽陽性率 (FPR) は、モデルによって誤って予測された実際の非故障の割合です。AUC ROC は ROC 曲線の下の面積であり、0 から 1 の範囲をとります。1 は完璧な分類器を表します。ただし、AUC ROC は TPR と FPR の両方の影響を受け、精度や特異度 (モデルによって正しく予測された実際の非故障の割合) を考慮しないため、AUC ROC が最も高いモデルを選択しても再現率が最大になるとは限りません。
* オプション B: 二乗平均平方根誤差 (RMSE) が最も低く、再現率がより大きいモデルを選択する
RMSEは二値分類に適した指標ではないため、0.5では検出を優先しない可能性があります。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回帰指標です。RMSEは次のように計算されます。
mathrmRMSE=sqrtfrac1nsumi=1n(イハティ)2
ここで、yiは実際の値、hatyiは予測値、nは観測数です。ただし、RMSEが最も低いモデルを選択しても、故障の検出が最適化されるとは限りません。RMSEは外れ値に敏感であり、クラスの不均衡や誤分類のコストを考慮していないためです。
* オプション D: 再現率が 0.5 を超える最も精度の高いモデルを選択しても、検出が優先されるとは限りません。精度は予測保守のユースケースにおいて最も重要な指標ではない可能性があるためです。精度は陽性予測の正確さを測定するものであり、モデルの感度やカバレッジを反映するものではありません。最も精度の高いモデルを選択すると、モデルが正しく予測した実際の故障の割合である再現率が犠牲になる可能性があります。これにより、偽陰性の数が増える可能性があります。偽陰性は、機械の故障やダウンタイムにつながる可能性のある見逃された故障を表すため、予測保守のユースケースにおいて最もコストがかかり、望ましくない結果となります。
参考文献：
* 評価指標（分類器） - スタンフォード大学
* 二値分類器の評価 - Wikipedia
* 予知保全：最大のメリットとスマートな活用事例