ある物流会社が、配送センターの日別の出荷件数データを使い、大型セールの日も含めて毎日の出荷件数を予測するモデルを作ろうとしている。データには、システム障害で記録が途中で止まった日の極端に少ない値と、大型セールの日の極端に多い値が含まれている。外れ値の扱いとして、最も不適切なものを1つ選べ。
正解と解説を見る
解説
正解 D
この問題の論点：外れ値の検出と扱い方
ポイント
外れ値は一律に削除せず、生じた理由を確かめてから扱いを決めます。記録の誤りは除外や補正をし、実際の出来事による値は残して活かします。
選択肢ごとの解説
- A
適切
外れ値には、測定や記録の誤りによるものと、実際に起きた珍しい出来事によるものがあります。理由によって適切な扱いが変わるため、まず原因を調べます。
- B
適切
四分位数は中央値と同じく、値の並び順にもとづく指標なので、極端な値の影響を受けにくい性質があります。この基準は箱ひげ図でもよく使われます。あくまで候補を拾う目安で、最終的な判断は原因の確認によります。
- C
適切
標準偏差は平均からの差を2乗して求めるため、極端な値があると大きくなります。判定の範囲が広がり、本来は外れ値とみなすべき値が範囲内に収まってしまうことがあります。
- D
不適切 正解
セールの日の値は、実際の需要を表す正しいデータです。削除すると、モデルはセールの日の急増を学べず、予測したいセールの日に大きく外れます。値は残したうえで、セールの有無を表す特徴量を加えるなどの方法をとります。
試験での狙われ方
外れ値を「誤りだから削除する」と決めつける選択肢や、平均・標準偏差と四分位数の外れ値への強さの違いを問う形が考えられます。