この問題は、患者が脳卒中のリスクがあるかどうかを予測する分類モデルについて記述しています。混同行列が提供されており、テスターはパフォーマンス指標を2/3、つまり0.6667と計算しました。
ISTQB 認定テスター AI テスト (CT-AI) シラバスによると、混同行列からの機能パフォーマンス メトリックの定義には次のものが含まれます。
* 正確さ：
精度 = (TP + TN) / (TP + TN + FP + FN)
精度=TP+TN+FP+FNTP+TN
* データセット全体に対して正しく分類されたインスタンス (真陽性と真陰性の両方) の割合を測定します。
* 値が 0.6667 の場合、メトリックには正しい正の分類と負の分類の両方が含まれており、精度と一致していることを示します。
* 精度:
精度 = TPTP+FP精度 = \frac{TP}{TP + FP}精度 = TP+FPTP
* 予測された陽性症例のうち実際に陽性であった症例の数を測定します。
* 指定された計算と一致しません。
* 再現率（感度）:
想起=TPTP+FN想起 = \frac{TP}{TP + FN}想起=TP+FNTP
* 実際に陽性と正しく識別された数を測定します。
* 0.6667 の値と一致しません。
* F1スコア:
F1=2×適合率×再現率適合率+再現率F1 = 2 \times \frac{適合率 \times 再現率}{適合率 + 再現率} F1=2×適合率+再現率適合率×再現率
* 精度と再現率のバランス。
* 計算式は提供されている計算とは異なります。
精度の式は計算値 0.6667 と一致するため、最適な答えは D. 精度です。
認定テスター AI テスト学習ガイド 参考文献:
* ISTQB CT-AI シラバス v1.0、セクション 5.1 (混同行列と機能パフォーマンス メトリクス)
* ISTQB CT-AI シラバス v1.0、セクション 5.4 (ML 機能パフォーマンス メトリクスの選択)

前処理は、データ準備において不可欠なステップです。データがクリーンで、正しくフォーマットされ、機械学習（ML）モデルの効果的なトレーニングのために構造化されていることを保証するものです。前処理中に解決できる一般的な問題の一つは、数値が文字列として保存されていることです。
回答の選択肢の説明:
* オプションA: データ不足
* 不正解です。前処理では不十分なデータを解決することはできません。データが不足している場合は、データ拡張や外部データ収集などの手法が必要です。
* オプションB: 無効なデータ
* 不正解です。前処理によって一部の無効なデータ（欠損値、重複エントリなど）を識別して処理することは可能ですが、すべての無効なデータに関する問題を解決できるわけではありません。場合によっては、妥当性を判断するために専門知識が必要になる場合があります。
* オプションC: 外れ値を求める
* 不正解です。前処理は通常、不要な外れ値の処理に重点を置きます。必要な外れ値も保持する必要がある場合がありますが、これは前処理というよりもむしろデータ選択の決定です。
* オプションD: 数値を文字列として保存する
* 正解です。データ前処理の重要な機能の 1 つはデータ変換です。これには、文字列として保存された数値など、形式が誤っているデータ型を正しい数値形式に変換することが含まれます。
ISTQB CT-AI シラバス参考文献:
* データ前処理手順:「変換: 指定されたデータの形式が変更されます (例: 文字列として保持されているアドレスを構成要素に分割する、ランダム識別子を保持するフィールドを削除する、カテゴリ データを数値データに変換する、画像形式を変更する)」。

バックツーバックテストとは、システムの複数の実装に対して同じテストセットを実行し、それらの出力を比較する手法です。このタイプのテストは、通常、異なる実装の出力を同一条件下で比較することで、一貫性と正確性を確認するために使用されます。以下の選択肢を分析してみましょう。
A . プラットフォーム A (Pytorch など) で実装された現在のニューラル ネットワーク モデル ML モデルと、プラットフォーム B (Tensorflow など) で実装された同様のニューラル ネットワーク モデル ML モデルの結果の、同じデータに対する比較。
このオプションは、同じデータセットを用いて、同じ種類のモデルの2つの異なる実装を比較するシナリオを表します。これは典型的なバックツーバックテストの状況です。
B . 同じデータに対して、自社開発のニューラル ネットワーク モデル ML モデルの結果と、標準実装 (Pytorch など) で実装されたニューラル ネットワーク モデルの結果を比較します。
このオプションでは、カスタム実装と標準実装を比較します。これは、カスタム モデルを既知のベンチマークに対して検証するための一般的なバックツーバック テスト シナリオでもあります。
C. 同じデータに対するニューラルネットワークMLモデルと現在の決定木MLモデルの結果の比較。
このオプションでは、2つの異なる種類のモデル（ニューラルネットワークと決定木）を比較します。これらのモデルは本質的に異なるため、同じデータであっても同一の結果を出すことは期待できないため、これはバックツーバックテストの典型的なシナリオではありません。
D . 現在のデータセットに対する現在のニューラルネットワークMLモデルの結果を、わずかに変更したデータセットと比較します。
このオプションでは、わずかに異なるデータセットで同じモデルの出力を比較します。これはロバスト性テストや感度分析の一種と見なすことができますが、複数の実装を比較する必要がないため、典型的なバックツーバックテストとは異なります。
この分析に基づくと、オプション C は、根本的に異なる 2 つのモデルを比較するものであり、バックツーバック テストの意図するところではないため、バックツーバック テストの状況を最も説明していないオプションです。

シラバスでは精度を次のように定義しています。
「適合率 = TP / (TP + FP) * 100%。適合率は、正しく予測された陽性の割合を測定します。」混同行列の使用：
TP = 90
* FP = 10したがって、精度 = (90 / (90 + 10)) * 100% = 90 / 100 * 100% = 90%ただし、混同行列の合計から、計算は次の形式で行う必要があることがわかります。精度 = 90 / (90 + 10) * 100%
= 90%与えられた回答にはちょうど90%が含まれていないため、シラバスに記載されている最も近い近似値と正解は90%になります。(参照: ISTQB CT-AIシラバスv1.0、セクション
5.1、99ページ中40ページ

シラバスには、ドメイン知識の欠如など、データのラベル付けが誤っている複数の理由が挙げられています。
「必要なドメイン知識が不足すると、ラベル付けが不正確になる可能性があります。」
（参照：ISTQB CT-AIシラバスv1.0、セクション4.5.2、99ページ中38ページ）