機械学習の概要
G検定 学習ガイド ／ 30問 ／ 更新：2026年9月8日
教師あり・教師なし・強化学習を、入力されるデータと目標の違いから理解します。手法名を見たら、数値を予測するのか、分類するのか、集団を見つけるのかを言葉にしてみましょう。
理解のポイント
評価指標は分母に注目します。適合率は陽性と予測したもののうち本当に陽性だった割合、再現率は実際の陽性をどれだけ見つけたかです。高い正解率でも、少数の重要な例を見逃す場合があります。
このページは解答を確認しながら読む教材です。答えを見ずに挑戦したい場合は、演習ページの単元一覧から該当する単元を選んでください。
30問の解答と解説
問題文を開くと、正解・考え方・各選択肢の理由を確認できます。
01気温という1つの説明変数からアイスの販売個数を直線で予測する。最も適切な手法名を選べ。
教師あり学習 ／ 問題ID：g-007
正解：単回帰分析
単回帰分析は、一つの説明変数と目的変数の関係をモデル化します。ここでは気温xから販売個数yを、y=ax+bの形で予測します。説明変数が複数なら重回帰分析です。
選択肢ごとの理由
- 単回帰分析（正解）
説明変数が一つなので単回帰です。
- 重回帰分析
重回帰は気温や来客数など複数の説明変数を使います。
- k-means法
類似したデータをまとめるクラスタリング手法です。
- 主成分分析
ばらつきを保つ軸を求めて次元を減らす手法です。
覚える要点：「単・重」は、予測する回数ではなく説明変数の数。
公式シラバスを確認02顧客の年齢・利用回数・購入金額から、正解ラベルを使わず似た顧客群を見つけたい。最も適切なものを選べ。
教師なし学習 ／ 問題ID：g-008
正解：クラスタリング
クラスタリングは、データの類似性に基づいてグループを作ります。あらかじめ「優良顧客」などの正解ラベルがない点が教師あり分類と異なります。距離を使う場合には、金額と回数などの尺度の違いにも注意します。
選択肢ごとの理由
- クラスタリング（正解）
正解ラベルなしで群を発見する目的に対応します。
- 教師あり分類
既知のクラスラベルを学習に利用します。
- 回帰分析
目的となる数値を予測する方法です。
- 誤差逆伝播法
勾配を計算する仕組みで、グループ分けの名称ではありません。
覚える要点：未知のグループを発見するのがクラスタリング。
公式シラバスを確認03SARSAの行動価値更新で、次の状態について通常用いる量を選べ。
強化学習 ／ 問題ID：g-009
正解：現在の方策で実際に選んだ次の行動の価値
SARSAはオンポリシー手法です。状態S、行動A、報酬R、次状態S′、実際に選ぶ次行動A′を使い、R+γQ(S′,A′)を更新目標にします。探索で選んだ行動の影響も反映します。
選択肢ごとの理由
- 現在の方策で実際に選んだ次の行動の価値（正解）
実際の方策で選ぶ次行動を使うためオンポリシーです。
- 次の状態の全行動のうち最大の価値を、選んだ行動に関係なく用いる
この最大値を使う考え方は標準的なQ学習です。
- 正解ラベルと予測ラベルの差
これは教師あり学習を連想させる説明です。
- すべての行動価値を常に0にした値
行動価値を常に0にしては学習できません。
覚える要点：SARSAは「実際に次に選んだ行動」、Q学習は「次の最大価値」。
公式シラバスを確認04不良品100個のうち80個を検知し、良品20個も不良と判定した。不良を陽性とすると再現率はいくつか。
モデルの選択・評価 ／ 問題ID：g-010
正解：80%
再現率は、本当に陽性だったもののうち何割を見つけたかです。TP/(TP+FN)=80/(80+20)=0.8となります。良品を誤検知した20個はFPで、適合率の計算には使いますが再現率の分母には含めません。
選択肢ごとの理由
- 80%（正解）
不良100個中80個を発見したので80%です。
- 50%
見つけた不良80個を不良総数100個で割ります。
- 20%
20%は見逃した割合です。
- 100%
20個見逃しているため100%ではありません。
覚える要点：再現率の分母は「実際の陽性」。
公式シラバスを確認05翌月の売上額の予測と、メールの迷惑・通常の判定の組合せを選べ。
教師あり学習 ／ 問題ID：g-110
正解：回帰・分類
回帰は売上のような数値を、分類は迷惑メールのようなクラスを予測します。入力の形式ではなく、出力として何を求めるかを確認すると判断できます。
選択肢ごとの理由
- 回帰・分類（正解）
数値の予測とカテゴリの判定です。
- 分類・回帰
順序が逆です。
- 両方ともクラスタリング
正解となる目的変数を使います。
- 両方とも次元削減
特徴の次元を減らす目的ではありません。
覚える要点：数値を当てるなら回帰、クラスなら分類。
公式シラバスを確認06ロジスティック回帰の代表的な利用を選べ。
教師あり学習 ／ 問題ID：g-111
正解：二値分類の確率をモデル化する
ロジスティック回帰は線形結合をシグモイド関数などで確率に変換します。例えば購入する確率を求め、しきい値で分類します。モデル名だけで回帰問題と判断しないことが大切です。
選択肢ごとの理由
- 二値分類の確率をモデル化する（正解）
名前に回帰があっても分類に使います。
- 必ず連続値の売上をそのまま出す
標準的には分類の確率を扱います。
- 正解なしで群を発見する
クラスタリングとは異なります。
- 画像を生成する
代表的な用途ではありません。
覚える要点：ロジスティック回帰は、分類に使う。
公式シラバスを確認07SVMでマージンを大きくするとは、主に何を大きくすることか。
教師あり学習 ／ 問題ID：g-112
正解：境界から最寄りの学習点までの距離
SVMはクラスを分ける境界と近傍の点との距離に注目します。境界を支える点がサポートベクターです。実際には誤分類を許す度合いとのバランスも調整します。
選択肢ごとの理由
- 境界から最寄りの学習点までの距離（正解）
余裕のある境界を学びます。
- 学習に使うデータのサンプル数
学習件数を増やす意味ではありません。
- 決定木の根から葉までの最大深さ
決定木ではありません。
- 予測対象のクラスに割り当てた番号
番号の大きさは性能ではありません。
覚える要点：マージンは境界の余裕、サポートベクターは近い点。
公式シラバスを確認08カーネルトリックの狙いとして適切なものを選べ。
教師あり学習 ／ 問題ID：g-113
正解：特徴空間に写すことなく、その空間の内積を求める
カーネル関数を使うと、特徴を高次元へ写した場合の内積を直接求められます。元の空間では線形に分けられないデータを扱うときに役立ちます。
選択肢ごとの理由
- 特徴空間に写すことなく、その空間の内積を求める（正解）
非線形の関係を効率的に扱えます。
- 画像の周囲に0を配置し、出力の空間サイズを保つ
パディングの説明です。
- 重みを整数表現に変換し、モデルの保存量を減らす
量子化の考え方です。
- 全サンプルを同じ値に変更し、データの差をなくす
分類情報を失います。
覚える要点：特徴を展開せず、高次元での類似度を計算。
公式シラバスを確認09決定木が深くなりすぎた場合に起きやすいことを選べ。
教師あり学習 ／ 問題ID：g-114
正解：訓練例に適合しすぎ、汎化性能が下がる
深い木は細かい例外まで表現できますが、偶然のノイズにも適合しやすくなります。最大深さや葉に必要なサンプル数を制限し、検証データで調整します。
選択肢ごとの理由
- 訓練例に適合しすぎ、汎化性能が下がる（正解）
過学習の危険が増します。
- 訓練誤差と汎化誤差が必ず同じになる
両者は一致しません。
- 分類ができなくなる
深くても分類自体は可能です。
- すべての分岐が消える
逆に分岐が増えます。
覚える要点：複雑さの増加は、表現力と過学習の両面を持つ。
公式シラバスを確認10バギングで用いるブートストラップ標本の作り方を選べ。
教師あり学習 ／ 問題ID：g-115
正解：重複を許して標本を抽出する
ブートストラップでは抽出後に元へ戻すと考え、重複を許して標本を作ります。バギングはそのような標本で複数モデルを作り、平均や多数決で予測をまとめます。
選択肢ごとの理由
- 重複を許して標本を抽出する（正解）
同じ例が複数回選ばれ得ます。
- 必ず重複なしで全件並べる
復元抽出ではありません。
- 全特徴を0にする
標本抽出ではありません。
- 正解ラベルを全件入れ替える
不正なラベルを作ってしまいます。
覚える要点：ブートストラップ＝復元抽出。
公式シラバスを確認11ランダムフォレストの代表的な構成を選べ。
教師あり学習 ／ 問題ID：g-116
正解：標本や特徴をランダム化した複数の決定木
異なる木を複数作り、それぞれの予測を集約します。木同士が同じ誤りをする度合いを下げることが狙いです。多数の木を使えば必ず完全になるわけではありません。
選択肢ごとの理由
- 標本や特徴をランダム化した複数の決定木（正解）
木の予測を集約します。
- 一本の直線による単一の線形予測モデル
線形モデルとは異なります。
- 語句の対応だけを記録した単一の語彙辞書
言語資源ではありません。
- 前段の層を除いたニューラルネットの出力層
決定木の集約です。
覚える要点：異なる木の判断を、まとめて使う。
公式シラバスを確認12勾配ブースティングの基本的な流れを選べ。
教師あり学習 ／ 問題ID：g-117
正解：誤りを補うモデルを順に追加する
ブースティングはモデルを順に追加して弱点を補います。勾配ブースティングでは損失の勾配を用いて次のモデルの学習目標を作ります。バギングの独立な集約と比較します。
選択肢ごとの理由
- 誤りを補うモデルを順に追加する（正解）
損失を減らす方向へ段階的に学習します。
- すべてのモデルを独立に作るだけ
典型的なバギングと区別します。
- 初期モデルだけで必ず終了する
追加学習の考え方に反します。
- 教師ラベルを使わないことが必須
教師あり学習でも使います。
覚える要点：バギングはまとめる、ブースティングは順に補う。
公式シラバスを確認13ARモデルが主に利用する予測情報を選べ。
教師あり学習 ／ 問題ID：g-118
正解：対象系列の過去の値
自己回帰モデルは、現在の値を過去の値の線形結合などで表します。例えば昨日・一昨日の需要から今日の需要を予測します。利用する過去の時点の数もモデル設計の一部です。
選択肢ごとの理由
- 対象系列の過去の値（正解）
自己回帰は自分自身の過去を用います。
- 未来にしか得られない正解
予測時に使えません。
- 画像の周囲の0だけ
パディングではありません。
- 無関係なクラス名だけ
時系列を説明できません。
覚える要点：自己回帰は、その系列の過去から予測する。
公式シラバスを確認14k-means法であらかじめ指定する代表的な量を選べ。
教師なし学習 ／ 問題ID：g-119
正解：クラスタ数k
k-meansはk個の中心への割当てと中心の再計算を繰り返します。kの選び方や初期値、尺度に結果が左右されるので、得られた群が業務的に意味を持つかも確認します。
選択肢ごとの理由
- クラスタ数k（正解）
分けたい群の数を指定します。
- すべての点の正解クラス
教師なしなので正解ラベルは必須ではありません。
- 各クラスタの意味の完全な定義
群の意味は結果を解釈します。
- 将来の報酬
強化学習ではありません。
覚える要点：kは発見する群の数。
公式シラバスを確認15主成分分析の第一主成分の方向を選べ。
教師なし学習 ／ 問題ID：g-120
正解：射影後の分散が最大になる方向
PCAは分散をなるべく保ちながら低次元へ写します。第一主成分は最大の分散方向です。ラベルを使わないため、分類に最も重要な特徴が必ず残るわけではありません。
選択肢ごとの理由
- 射影後の分散が最大になる方向（正解）
最も大きいばらつきを表します。
- 正解クラスが必ず最も分かれる方向
ラベルによる分離を直接最適化しません。
- 全点が同じ値になる方向
分散がなくなります。
- 平均値を最大にする方向
主な目的は分散の保持です。
覚える要点：PCAはばらつきを保つ。分類性能を直接保証しない。
公式シラバスを確認16t-SNEによる2次元図の解釈として適切なものを選べ。
教師なし学習 ／ 問題ID：g-121
正解：近傍は参考になるが、群間距離の定量比較は避ける
t-SNEは高次元で近い点を近く置くことを重視します。視覚的に群が見えても、群の大きさや遠い群同士の距離を過度に解釈しないことが重要です。
選択肢ごとの理由
- 近傍は参考になるが、群間距離の定量比較は避ける（正解）
局所構造の可視化に使います。
- 図の面積比は元の分散比と必ず一致する
面積の厳密な比較はできません。
- 軸は必ず元の特徴と同じ単位を持つ
可視化の座標です。
- 離れた群の距離は必ず意味の差に比例する
大域距離の保存は保証されません。
覚える要点：可視化の見た目を、厳密な距離や面積と混同しない。
公式シラバスを確認17協調フィルタリングが利用する典型的な情報を選べ。
教師なし学習 ／ 問題ID：g-122
正解：利用者間の評価・行動の類似性
協調フィルタリングは、似た利用傾向の人や一緒に選ばれた商品などの情報を使います。利用者や商品の履歴が少ないと推薦しにくい点がコールドスタートにつながります。
選択肢ごとの理由
- 利用者間の評価・行動の類似性（正解）
他の利用者の履歴を手掛かりにします。
- 商品説明の文字列だけ
コンテンツベースの特徴です。
- 天気予報だけ
一般的な定義ではありません。
- ネットワークの勾配だけ
推薦履歴の考え方と異なります。
覚える要点：他の利用者の行動が、推薦の手掛かり。
公式シラバスを確認18新商品の購入履歴がないが、属性や説明文はある。推薦に使いやすい方法を選べ。
教師なし学習 ／ 問題ID：g-123
正解：コンテンツベースフィルタリング
新商品は協調フィルタリングに必要な履歴がありません。属性や説明文と利用者の好みを結び付けるコンテンツベースなら、その情報を手掛かりにできます。
選択肢ごとの理由
- コンテンツベースフィルタリング（正解）
商品の特徴から類似性を扱えます。
- 履歴だけに依存する協調フィルタリング
新商品には履歴が不足しています。
- 商品情報をすべて削除する方法
使える根拠を失います。
- 全商品を常に同順位にする方法
特徴に応じた推薦になりません。
覚える要点：履歴がなくても、内容の特徴は使える。
公式シラバスを確認19ε-greedy方策の説明を選べ。
強化学習 ／ 問題ID：g-124
正解：一定確率で探索し、それ以外は活用する
良いと思う手だけを選ぶと、未経験のより良い手を見落とします。ε-greedyはεの確率で探索を入れ、残りは既知の価値を活用します。
選択肢ごとの理由
- 一定確率で探索し、それ以外は活用する（正解）
探索と活用を組み合わせます。
- 常に最も低い価値を選ぶ
活用になりません。
- 常に同じ確率で全行動を選ぶ
εが1の場合を除き異なります。
- 過去の報酬を使わない
学んだ行動価値を利用します。
覚える要点：探索は新しい可能性、活用は既知の良さ。
公式シラバスを確認20割引率γ=0の収益を最大化する場合、主に何を重視するか。
強化学習 ／ 問題ID：g-125
正解：直後の報酬
割引収益はR₁+γR₂+γ²R₃+…です。γ=0ならR₁だけが残ります。γを大きくすると遠い将来の報酬も相対的に重視します。
選択肢ごとの理由
- 直後の報酬（正解）
将来の報酬の項は0になります。
- 無限遠の報酬だけ
将来の重みはなくなります。
- すべての報酬を同じ重み
γ=1に近い考え方です。
- 正解クラスの頻度
分類の話ではありません。
覚える要点：γ=0は目先、γが大きいほど将来も重視。
公式シラバスを確認21Actor-Criticにおける役割の組合せを選べ。
強化学習 ／ 問題ID：g-126
正解：Actorは方策、Criticは価値を担う
Actorはどう行動するかの方策を学び、Criticは状態や行動の価値を評価して学習を助けます。行動を決める役と批評する役として理解すると整理しやすくなります。
選択肢ごとの理由
- Actorは方策、Criticは価値を担う（正解）
行動の選択と評価を分担します。
- Actorはデータ圧縮、Criticは復元
オートエンコーダのような役割ではありません。
- 両者とも固定ルールのみ
学習で更新します。
- Actorは画像、Criticは音声だけ
データ形式の区分ではありません。
覚える要点：Actorが行動を選び、Criticが評価する。
公式シラバスを確認22マルコフ性の考え方として適切なものを選べ。
強化学習 ／ 問題ID：g-127
正解：現在の状態で条件付けると、遷移は過去に依存しない
マルコフ決定過程は、現在の状態と行動から次の状態や報酬を扱うモデルです。観測が必要な情報を十分含まないと、単純に現在の観測だけではこの仮定が成り立たないことがあります。
選択肢ごとの理由
- 現在の状態で条件付けると、遷移は過去に依存しない（正解）
状態が予測に必要な情報を含む仮定です。
- 現在の状態と未来の状態は、無条件に独立である
現在の状態には依存します。
- 選んだ行動にかかわらず、遷移の結果は変わらない
決定過程では行動も遷移に影響します。
- 訪れた状態にかかわらず、得られる報酬は一定である
そのような仮定ではありません。
覚える要点：状態に、未来を考えるための情報が含まれる。
公式シラバスを確認23陽性と予測した40件のうち、本当に陽性は30件だった。適合率を選べ。
モデルの選択・評価 ／ 問題ID：g-128
正解：75%
適合率は「陽性と判定した中で、本当に陽性だった割合」です。TP/(TP+FP)=30/(30+10)=0.75です。再現率は実際の陽性全体が必要なので、この情報だけでは求まりません。
選択肢ごとの理由
- 75%（正解）
30÷40です。
- 30%
全体を100件と仮定してはいけません。
- 40%
予測陽性の件数そのものではありません。
- 100%
10件は偽陽性です。
覚える要点：適合率の分母は、予測した陽性。
公式シラバスを確認24適合率0.5、再現率1.0のF1値に最も近い値を選べ。
モデルの選択・評価 ／ 問題ID：g-129
正解：0.67
F1は適合率と再現率の調和平均です。小さい側の値の影響を受け、片方だけ高くても最大にはなりません。式に入れると1÷1.5で約0.67です。
選択肢ごとの理由
- 0.67（正解）
2×0.5×1÷(0.5+1)=2/3です。
- 0.75
単純な算術平均です。
- 0.50
積だけで止めています。
- 1.50
二つの値の和です。
覚える要点：F1は算術平均ではなく、調和平均。
公式シラバスを確認25病気の見逃しを減らす目的で陽性判定のしきい値を下げると、同じ予測スコアでは通常どうなるか。
モデルの選択・評価 ／ 問題ID：g-130
正解：再現率は下がらず、偽陽性は増え得る
しきい値を下げると、以前は陰性だった低めのスコアも陽性になります。見逃しは減り得ますが、誤警報も増え得ます。業務上の損失に合わせて調整します。
選択肢ごとの理由
- 再現率は下がらず、偽陽性は増え得る（正解）
陽性とする範囲が広がります。
- 陽性判定が必ず減る
判定の範囲は広がります。
- 適合率と再現率が必ず同時に1になる
トレードオフがあります。
- 真のラベルが変わる
判定を変えても実際の状態は変わりません。
覚える要点：見逃しと誤警報のコストで、しきい値を考える。
公式シラバスを確認261000件中990件が陰性のデータで、すべて陰性と答えて正解率99%だった。評価を選べ。
モデルの選択・評価 ／ 問題ID：g-131
正解：陽性の再現率は0で、正解率だけでは不十分
不均衡なデータでは多数派を答えるだけで高い正解率になります。検出したい少数クラスの再現率や適合率なども確認し、目的に合った評価を行います。
選択肢ごとの理由
- 陽性の再現率は0で、正解率だけでは不十分（正解）
少数クラスを一件も発見していません。
- 陽性の99%を検出しており、見逃しは少ない
正解率と再現率を混同しています。
- 偽陰性が0件なので、陽性をすべて検出した
陽性10件はすべて見逃しです。
- F1も99%となり、陽性検出の性能も高い
正解率とは別の指標です。
覚える要点：不均衡データでは、全体の正解率に隠れる失敗がある。
公式シラバスを確認27k分割交差検証の基本的な方法を選べ。
モデルの選択・評価 ／ 問題ID：g-132
正解：検証用の分割を順に入れ替えて学習・評価する
データをk個に分け、検証に使う部分を入れ替えてk回評価します。時系列や同一人物の繰り返しデータなどでは、単純なランダム分割が漏えいを起こさないか注意が必要です。
選択肢ごとの理由
- 検証用の分割を順に入れ替えて学習・評価する（正解）
各分割で検証を行い結果をまとめます。
- 同じ訓練結果をk回読み直すだけ
分割の役割が変わっていません。
- 常に全データで学習して同じ全データで評価する
未知データへの評価になりません。
- ラベルを全件消して評価する
教師あり評価の正解がなくなります。
覚える要点：分割を交代して検証。ただし独立性や時間順に注意。
公式シラバスを確認28最終テストデータを何度も見ながらハイパーパラメータを選ぶことの問題を選べ。
モデルの選択・評価 ／ 問題ID：g-133
正解：テストに適合し、独立した評価でなくなる
最終テストは、設計や調整に使わないデータで性能を確認するために残します。何度も選択に使うと、そのテストで良いものを選ぶ偏りが生まれます。
選択肢ごとの理由
- テストに適合し、独立した評価でなくなる（正解）
間接的にテスト情報を利用しています。
- 計算が効率化され、訓練時間が常に短くなる
速度の改善ではありません。
- 訓練が不足し、モデルは必ず未学習になる
過小適合の定義ではありません。
- 元データの行数が、自動的に増加し続ける
データ数は増えません。
覚える要点：調整は検証データ、最後の確認はテストデータ。
公式シラバスを確認29同程度の当てはまりなら、不要に複雑な説明を避ける考え方を選べ。
モデルの選択・評価 ／ 問題ID：g-134
正解：オッカムの剃刀
単純なモデルは説明や運用がしやすい場合があります。ただし単純ならいつでも正しいという意味ではありません。十分な説明力を保ちつつ、不必要な複雑さを避けます。
選択肢ごとの理由
- オッカムの剃刀（正解）
余分な複雑さを避ける原則です。
- 勾配爆発
学習時の数値問題です。
- 教師強制
系列モデルの学習方法です。
- エコーチェンバー
情報環境の現象です。
覚える要点：単純さだけでなく、十分な説明力も必要。
公式シラバスを確認30AICによるモデル比較の方向として適切なものを選べ。
モデルの選択・評価 ／ 問題ID：g-135
正解：当てはまりと複雑さを考慮した、小さい値を選ぶ
AICは尤度に基づく当てはまりに、パラメータ数の罰則を加えた指標です。複雑にして訓練への当てはまりだけを良くすることを抑える観点があります。
選択肢ごとの理由
- 当てはまりと複雑さを考慮した、小さい値を選ぶ（正解）
複雑さへの罰則を含む指標です。
- 当てはまりは考慮せず、パラメータ数を最大にする
当てはまりとの両立を考えます。
- 同じ評価データで比較し、最も大きい値を選ぶ
通常は小さい値を好みます。
- 評価対象のデータが異なっても、そのまま比較する
比較可能な条件で使います。
覚える要点：AICは小さい方を比較の目安にする。
公式シラバスを確認