1.
ロジスティック回帰モデルを使ってスパムメールの分類を行っています。モデルの性能が不十分で、精度と再現率のバランスが悪い場合、どの対策が最も適切ですか？
2.
教師あり学習の分類モデルにおいて、精度が非常に高いが、再現率が低い場合、どのような対策が有効ですか？
3.
教師あり学習において、「ロジスティック回帰」と「線形回帰」の主な違いはどれですか？
4.
教師あり学習の回帰問題において、モデルの予測が訓練データに対して非常に高い精度を示しているが、テストデータでは大きく誤差が出る場合、考えられる原因はどれですか？
5.
教師あり学習でモデルの過学習を防ぐために、「アンサンブル学習」が有効な理由は何ですか？
6.
教師あり学習における「K分割交差検証（K-fold Cross Validation）」の主な利点はどれですか？
7.
教師あり学習モデルを構築しているときに、訓練データが極端に不均衡な場合、最も有効なアプローチはどれですか？
8.
教師あり学習において、モデルが訓練データでは高い精度を示すが、テストデータでは大きく精度が低下する場合、考えられる最も一般的な原因はどれですか？
9.
教師あり学習で分類問題に適用されるアルゴリズムはどれですか？
10.
教師あり学習における「目的変数」とはどれですか？
11.
回帰問題で、モデルの評価に「平均絶対誤差（MAE）」ではなく「平均二乗誤差（MSE）」を使用する理由として最も適切なのはどれですか？
12.
教師あり学習のプロセスで、「モデルの汎化性能を向上させる」ために使用される手法はどれですか？
13.
教師あり学習において、次のうち「回帰」問題に該当するものはどれですか？
14.
次の中で、回帰問題のための教師あり学習モデルはどれですか？
15.
次の中で、教師あり学習アルゴリズムとして正しいものはどれですか？
16.
教師あり学習の分類問題において、クラスラベルが不均衡な場合、どのような対策が有効ですか？
17.
教師あり学習でアンサンブル学習を使用する際、「バギング（Bagging）」の主な目的はどれですか？
18.
教師あり学習で、分類問題の性能を評価するために用いられる指標はどれですか？
19.
教師あり学習における「ラベル付きデータ」を使用する理由はどれですか？
20.
教師あり学習で、モデルの性能が非常に高い訓練データにのみ適用され、テストデータや実データに対しての性能が低下する現象を何と呼びますか？
21.
教師あり学習における「バイアス・バリアンスのトレードオフ」とは何を指しますか？
22.
教師あり学習において、正則化（Regularization）の目的は何ですか？
23.
教師あり学習における「決定木（Decision Tree）」の利点として最も適切なものはどれですか？
24.
教師あり学習の分類問題において、「F1スコア」が高い場合、何を示していますか？
25.
教師あり学習で最適なハイパーパラメータを見つけるために使用される手法はどれですか？
26.
教師あり学習の過程で「学習データ」を使う理由として適切なものはどれですか？
