k分割交差検証（k-fold cross validation）の説明として、最も適切なものを選べ。
- 1データを学習用とテスト用に一度だけ分割し、テスト用データで1回だけ性能を評価する
- 2データをk個に分割し、1つを検証用、残りを学習用として、検証用を入れ替えながらk回の学習と評価を行い、その結果を平均して性能を見積もる
- 3k個の異なるモデルを学習させ、それらの予測の多数決によって最終的な予測を決める
- 4未知のデータに対して、学習データの中から距離の近いk個のデータを選び、その多数決でクラスを決める
正解と解説を見る
正解：2
k分割交差検証では、すべてのデータが一度ずつ検証に使われるよう分割を入れ替えて評価します。そのため、データが少ない場合でも分割の偶然に左右されにくい性能評価ができます。一度だけ分割して評価するのはホールドアウト検証です。複数モデルの多数決はアンサンブル学習、近いk個のデータによる多数決はk近傍法（k-NN）で、どちらも評価方法ではありません。同じ「k」でも、k分割交差検証・k近傍法・k-means法を混同しないよう注意しましょう。
根拠：モデルの評価方法（ホールドアウト検証、k分割交差検証）