解説

交差検証（Cross-Validation）は機械学習において学習モデルの汎化性能（未知データへの適合度）を評価するための手法です。代表的なk分割交差検証（k-fold CV）では、データをk個のグループ（fold）に分割し、1グループを評価データ・残り(k-1)グループを学習データとして学習と評価を行い、これをk回繰り返してすべてのデータを1度は評価データとして使用します。すべてのfoldでの評価結果の平均をモデルの性能指標とします。「データを複数グループに分割し、順にグループを入れ替えながら学習と評価を繰り返す」という選択肢dが正確な説明です。特定のデータ分割偏りを除去でき、少ないデータでも信頼性の高い評価が可能です。

なぜ他の選択肢は違うのか

選択肢 ア

「回帰モデルにペナルティ項を加えて過剰適合を防ぐ」は正則化（Regularization）の説明です。L1正則化（Lasso）やL2正則化（Ridge）がこれに当たります。交差検証とは異なる手法です。

選択肢 イ

「複数の異なるアルゴリズムのモデルで学習し組み合わせて評価」はアンサンブル学習（Ensemble Learning）の説明です。バギング・ブースティング・スタッキング等がこれに含まれます。

選択肢 ウ

「単一モデルで複数の関連課題を学習して共通要因を獲得」はマルチタスク学習（Multi-task Learning）の説明です。関連するタスク間の知識共有でモデルの汎化性能を高める手法です。

解くときのポイント

交差検証＝「データを分割して繰り返し学習・評価→汎化性能の推定」。k分割交差検証（k-fold CV）が最も一般的。正則化（ペナルティ項）・アンサンブル学習（複数モデル統合）・マルチタスク学習との区別が頻出。「グループを入れ替えて繰り返す」が交差検証の核心。