G検定（ジェネラリスト検定）「機械学習の基礎と手法」の一問一答

G検定（ジェネラリスト検定）の機械学習の基礎と手法に関する一問一答（全75問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。

1. 問1．機械学習は、データから規則性やパターンを学習し未知データに対する予測を行う手法である。

   正解：○（正しい）

   解説：従来のルールベースAIと異なり、明示的にプログラムせずデータから学ぶ点が特徴。

2. 問2．教師あり学習は、入力データと正解ラベルのペアから学習する手法である。

   正解：○（正しい）

   解説：分類（カテゴリ予測）と回帰（数値予測）に分かれる。代表例: 画像分類・株価予測。

3. 問3．教師なし学習は、正解ラベルなしのデータから構造やパターンを発見する手法である。

   正解：○（正しい）

   解説：クラスタリング（k-means等）・次元削減（PCA・t-SNE等）が代表例。

4. 問4．強化学習は、エージェントが環境との相互作用を通じて報酬を最大化する行動方策を学習する手法である。

   正解：○（正しい）

   解説：Q学習・SARSA・方策勾配等が代表的アルゴリズム。ゲームAI・ロボット制御等に応用。

5. 問5．線形回帰は、入力と出力の関係を直線で近似する最も基本的な回帰手法である。

   正解：○（正しい）

   解説：y=ax+bの形で表現。最小二乗法でパラメータ推定。多変量に拡張可能。

6. 問6．ロジスティック回帰は、二値分類問題に用いる回帰モデルである。

   正解：○（正しい）

   解説：シグモイド関数で確率を出力。線形回帰の出力をシグモイドで0-1に変換し閾値で分類。

7. 問7．サポートベクターマシン（SVM）は、マージン最大化により分類境界を決定する手法である。

   正解：○（正しい）

   解説：カーネルトリックで非線形分類も可能。少データでも高性能だが大規模データには計算コスト大。

8. 問8．決定木は、データを条件分岐により分類・回帰する木構造のモデルである。

   正解：○（正しい）

   解説：if-then形式で解釈性高。過学習しやすいが剪定（プルーニング）で抑制可能。

9. 問9．ランダムフォレストは、多数の決定木を組合せたアンサンブル学習手法である。

   正解：○（正しい）

   解説：各木をブートストラップサンプリングで学習し多数決。過学習に強く分類・回帰双方に有効。

10. 問10．勾配ブースティング（XGBoost等）は、弱学習器を逐次的に追加する手法である。

    正解：○（正しい）

    解説：誤差を予測する新モデルを次々追加。Kaggle等で頻繁に上位入賞。XGBoost・LightGBM・CatBoost等。

11. 問11．k-meansは、データをk個のクラスタに分割する代表的な教師なし学習アルゴリズムである。

    正解：○（正しい）

    解説：重心とデータ点の距離最小化を反復。初期値依存のためk-means++等で改善。

12. 問12．階層クラスタリングは、データを階層的にクラスタ化する手法である。

    正解：○（正しい）

    解説：凝集型（ボトムアップ）と分割型（トップダウン）。樹形図（デンドログラム）で可視化。

13. 問13．主成分分析（PCA）は、多次元データを情報損失を抑えつつ低次元に変換する次元削減手法である。

    正解：○（正しい）

    解説：分散最大の方向に軸を取り直す線形変換。可視化・特徴抽出・前処理に利用。

14. 問14．t-SNEは非線形次元削減手法で、高次元データの可視化に優れる。

    正解：○（正しい）

    解説：確率的近傍埋め込みの拡張。クラスタ構造を保ちつつ2-3次元に可視化する強力手法。

15. 問15．過学習（オーバーフィッティング）は、訓練データに過度に適合し未知データの性能が低下する現象である。

    正解：○（正しい）

    解説：モデル複雑度が高すぎる場合や訓練データが少ない場合に発生。汎化性能が悪化。

16. 問16．正則化（L1・L2）は、損失関数にペナルティ項を加え過学習を抑制する手法である。

    正解：○（正しい）

    解説：L1（Lasso）は疎な解、L2（Ridge）は係数を均等に縮小。Elastic Netは両者の組合せ。

17. 問17．交差検証（クロスバリデーション）は、データを分割し汎化性能を評価する手法である。

    正解：○（正しい）

    解説：k-fold cross-validation等。データ全体を活用しつつ過学習を検出可能。

18. 問18．混同行列は、分類結果を真陽性・偽陽性・真陰性・偽陰性に分類した行列である。

    正解：○（正しい）

    解説：TP・FP・TN・FNから精度・再現率・F1値等の評価指標を算出する基本ツール。

19. 問19．適合率（Precision）は、陽性と予測したうち実際に陽性だった割合である。

    正解：○（正しい）

    解説：TP/(TP+FP)。陽性と判断する厳密さ。スパムフィルタ等で重要。

20. 問20．再現率（Recall）は、実際の陽性のうち陽性と予測できた割合である。

    正解：○（正しい）

    解説：TP/(TP+FN)。陽性の取りこぼし防止。がん検診等で重要。

21. 問21．F1値は適合率と再現率の調和平均で、分類性能の総合指標である。

    正解：○（正しい）

    解説：2×P×R/(P+R)。両者のバランスを評価。不均衡データに有効。

22. 問22．ROC曲線は、閾値を変えたときの真陽性率と偽陽性率の関係を示す曲線である。

    正解：○（正しい）

    解説：AUC（曲線下面積）で分類器全体の性能評価。AUC=1.0が完全、0.5がランダム相当。

23. 問23．バイアスとバリアンスはトレードオフ関係にあり、両者の合計で汎化誤差が決まる。

    正解：○（正しい）

    解説：バイアス高=単純すぎ・バリアンス高=複雑すぎ。両者の最適バランスが理想。

24. 問24．特徴量エンジニアリングは、入力データから有効な特徴量を設計・抽出する作業である。

    正解：○（正しい）

    解説：ドメイン知識が重要。ディープラーニングは特徴量を自動学習する点が革新的。

25. 問25．前処理ではデータの欠損値処理・正規化・標準化等を行う。

    正解：○（正しい）

    解説：欠損値補完（平均・中央値・KNN等）・スケーリング（min-max・Z-score）が代表的処理。

26. 問26．ホールドアウト法は、データを訓練・検証・テストに分割し性能を評価する基本手法である。

    正解：○（正しい）

    解説：通常6:2:2や7:1.5:1.5等で分割。検証データでハイパーパラメータ調整、テストで最終評価。

27. 問27．バギングは、ブートストラップサンプリングで複数モデルを並列学習しアンサンブルする手法である。

    正解：○（正しい）

    解説：ランダムフォレストの基礎。各モデルを独立に学習し多数決・平均で予測。

28. 問28．教師あり学習は正解ラベルなしのデータから学習する手法である。

    正解：×（誤り）

    解説：誤り。教師あり学習は正解ラベル付きデータから学習。ラベルなしから学ぶのは教師なし学習。

29. 問29．教師なし学習は分類問題のみに利用される。

    正解：×（誤り）

    解説：誤り。教師なし学習はクラスタリング・次元削減・密度推定等が主用途。分類は教師ありの典型タスク。

30. 問30．強化学習はラベル付きデータのみで動作する。

    正解：×（誤り）

    解説：誤り。強化学習は環境との相互作用で報酬を最大化する学習。ラベル不要で試行錯誤から学ぶ。

31. 問31．線形回帰は分類問題に用いる代表的アルゴリズムである。

    正解：×（誤り）

    解説：誤り。線形回帰は連続値予測（回帰）。分類はロジスティック回帰・SVM・決定木等を使用。

32. 問32．ロジスティック回帰は回帰問題のみに利用される。

    正解：×（誤り）

    解説：誤り。名前は『回帰』だがロジスティック回帰は二値分類アルゴリズム。シグモイド出力で確率予測。

33. 問33．SVMは大規模データセットで最高速・最高精度を発揮する。

    正解：×（誤り）

    解説：誤り。SVMは少~中規模データで強い。大規模データでは計算コスト大で深層学習等の方が有利。

34. 問34．決定木は他のモデルと比較して解釈性が低い。

    正解：×（誤り）

    解説：誤り。逆。決定木はif-then形式で人間が解釈しやすい点が大きな利点。ニューラルネットは解釈困難。

35. 問35．ランダムフォレストは単一の決定木で構成される。

    正解：×（誤り）

    解説：誤り。ランダムフォレストは多数の決定木をアンサンブル（バギング）。単一決定木より過学習に強い。

36. 問36．XGBoostはバギング手法の代表例である。

    正解：×（誤り）

    解説：誤り。XGBoostは勾配ブースティング手法。バギングはランダムフォレスト等が代表。

37. 問37．k-meansは教師あり学習の代表的アルゴリズムである。

    正解：×（誤り）

    解説：誤り。k-meansは教師なし学習（クラスタリング）。ラベルなしデータをk個に分割。

38. 問38．主成分分析（PCA）は非線形次元削減手法である。

    正解：×（誤り）

    解説：誤り。PCAは線形次元削減。非線形にはt-SNE・UMAP・カーネルPCA等を利用。

39. 問39．過学習は訓練データの性能が低下する現象である。

    正解：×（誤り）

    解説：誤り。過学習は訓練データに過度適合→訓練データの性能は高いが未知データで悪化する現象。

40. 問40．L1正則化は係数を均等に縮小しL2は疎な解を生む。

    正解：×（誤り）

    解説：誤り。逆。L1（Lasso）が疎な解（多くの係数が0）、L2（Ridge）が係数を均等に縮小。

41. 問41．交差検証はデータ全体を訓練のみに使い汎化性能を評価する。

    正解：×（誤り）

    解説：誤り。交差検証はデータを分割し訓練・検証を交互に行う。全データを訓練のみは不可能。

42. 問42．適合率は、実際の陽性のうち陽性と予測できた割合である。

    正解：×（誤り）

    解説：誤り。それは再現率（Recall=TP/(TP+FN)）の定義。適合率はTP/(TP+FP)。

43. 問43．F1値は適合率と再現率の算術平均である。

    正解：×（誤り）

    解説：誤り。F1値は算術平均ではなく『調和平均』（2PR/(P+R)）。両者バランス重視の指標。

44. 問44．ROC曲線のAUCが0.5の分類器は完全に正確である。

    正解：×（誤り）

    解説：誤り。AUC=0.5はランダム相当（性能なし）。完全な分類器はAUC=1.0。

45. 問45．バイアスが高いモデルは過学習しやすい。

    正解：×（誤り）

    解説：誤り。逆。バイアス高は単純すぎモデル（未学習）。バリアンス高が過学習しやすい複雑モデル。

46. 問46．特徴量エンジニアリングはディープラーニングでは不要だが従来手法では重要である。

    正解：×（誤り）

    解説：誤り。ディープラーニングは特徴量自動学習が可能だが、実務では前処理・特徴量設計は依然重要。

47. 問47．ホールドアウト法は同じデータを訓練・検証・テスト全てに使う手法である。

    正解：×（誤り）

    解説：誤り。ホールドアウト法はデータを訓練・検証・テストに分割。同じデータ使用は評価バイアスの原因。

48. 問48．バギングは弱学習器を逐次追加し誤差を補正する手法である。

    正解：×（誤り）

    解説：誤り。それはブースティングの説明。バギングは独立に複数モデルを並列学習しアンサンブルする手法。

49. 問49．ブースティングは並列学習で計算効率が高い。

    正解：×（誤り）

    解説：誤り。ブースティングは逐次学習（前のモデル誤差を次が補正）。並列学習はバギング系。

50. 問50．階層クラスタリングはクラスタ数kを事前に指定する必要がある。

    正解：×（誤り）

    解説：誤り。階層クラスタリングは樹形図から事後に切る位置を選べる。kの事前指定は不要。k-meansは事前指定必要。

51. 問51．t-SNEは線形次元削減で計算が高速である。

    正解：×（誤り）

    解説：誤り。t-SNEは非線形・計算コスト大。可視化用途中心で大規模データには時間かかる。

52. 問52．過学習を防ぐにはモデル複雑度を増やすのが有効である。

    正解：×（誤り）

    解説：誤り。逆。過学習はモデル複雑度過大が原因。複雑度抑制（正則化・剪定・データ拡張・ドロップアウト）が対策。

53. 問53．教師あり学習の代表タスクはクラスタリングと次元削減である。

    正解：×（誤り）

    解説：誤り。クラスタリング・次元削減は教師なし学習の代表タスク。教師ありは分類と回帰。

54. 問54．教師あり学習に該当しないものはどれか。

    • ア．顧客のクラスタリング
    • イ．スパムメール検出
    • ウ．株価予測
    • エ．画像分類

    正解：ア．顧客のクラスタリング

    解説：顧客クラスタリングは教師なし学習。画像分類（分類）・スパム検出（二値分類）・株価予測（回帰）は教師あり。

55. 問55．二値分類に最も適したアルゴリズムとして正しいのはどれか。

    • ア．線形回帰
    • イ．ロジスティック回帰
    • ウ．k-means
    • エ．PCA

    正解：イ．ロジスティック回帰

    解説：ロジスティック回帰はシグモイド関数で確率出力し閾値で二値分類。線形回帰は連続値予測、k-meansはクラスタリング、PCAは次元削減。

56. 問56．マージン最大化により分類境界を決定する手法として正しいのはどれか。

    • ア．決定木
    • イ．ランダムフォレスト
    • ウ．サポートベクターマシン（SVM）
    • エ．ナイーブベイズ

    正解：ウ．サポートベクターマシン（SVM）

    解説：SVMはクラス間マージン最大化で境界決定。カーネルトリックで非線形分類も可能。少データで強い。

57. 問57．ランダムフォレストが用いるアンサンブル手法として正しいのはどれか。

    • ア．ブースティング
    • イ．ベイズ平均
    • ウ．スタッキング
    • エ．バギング

    正解：エ．バギング

    解説：ランダムフォレストはバギング（ブートストラップサンプリング+多数決）。XGBoostやAdaBoostはブースティング系。

58. 問58．勾配ブースティングのライブラリとして該当しないものはどれか。

    • ア．scikit-image
    • イ．LightGBM
    • ウ．CatBoost
    • エ．XGBoost

    正解：ア．scikit-image

    解説：scikit-imageは画像処理ライブラリで勾配ブースティングではない。XGBoost・LightGBM・CatBoostは代表的勾配ブースティング実装。

59. 問59．教師なし学習のクラスタリングアルゴリズムとして正しいのはどれか。

    • ア．線形回帰
    • イ．k-means
    • ウ．ロジスティック回帰
    • エ．SVM

    正解：イ．k-means

    解説：k-meansは代表的クラスタリング手法（教師なし）。他3つはすべて教師あり学習の手法。

60. 問60．次元削減手法として該当しないものはどれか。

    • ア．主成分分析（PCA）
    • イ．t-SNE
    • ウ．ロジスティック回帰
    • エ．UMAP

    正解：ウ．ロジスティック回帰

    解説：ロジスティック回帰は分類手法で次元削減ではない。PCA（線形）・t-SNE（非線形）・UMAP（非線形）は代表的次元削減。

61. 問61．k-meansの主な弱点として正しいのはどれか。

    • ア．計算が極端に遅い
    • イ．正解ラベル必須
    • ウ．非数値データのみ扱える
    • エ．初期値依存とクラスタ数kの事前指定が必要

    正解：エ．初期値依存とクラスタ数kの事前指定が必要

    解説：k-meansは初期重心の選び方で結果が変動、kも事前指定必要。k-means++で初期値改善、エルボー法でk決定。

62. 問62．L1正則化（Lasso）の特徴として正しいのはどれか。

    • ア．多くの係数が0になる疎な解を生む
    • イ．全係数を均等に縮小
    • ウ．非線形変換のみ
    • エ．データ次元を増やす

    正解：ア．多くの係数が0になる疎な解を生む

    解説：L1正則化は係数を0にする傾向あり→特徴選択効果。L2（Ridge）は係数を均等縮小、Elastic Netは両者組合せ。

63. 問63．過学習対策として該当しないものはどれか。

    • ア．正則化
    • イ．モデル複雑度を上げる
    • ウ．データ拡張
    • エ．ドロップアウト

    正解：イ．モデル複雑度を上げる

    解説：モデル複雑度を上げると過学習が悪化。正則化・ドロップアウト・データ拡張・早期終了等が過学習対策。

64. 問64．k-fold交差検証で一般的に用いられるk値として正しいのはどれか。

    • ア．k=1
    • イ．k=2
    • ウ．k=5またはk=10
    • エ．k=100

    正解：ウ．k=5またはk=10

    解説：5-fold または 10-fold が一般的。k=2は単純すぎ、k=100は計算負荷大。データ規模・実験目的に応じて選択。

65. 問65．適合率（Precision）の計算式として正しいのはどれか。

    • ア．TP/(TP+FN)
    • イ．2PR/(P+R)
    • ウ．(TP+TN)/(TP+TN+FP+FN)
    • エ．TP/(TP+FP)

    正解：エ．TP/(TP+FP)

    解説：適合率=TP/(TP+FP)（陽性予測のうち実際に陽性）。再現率=TP/(TP+FN)、精度=(TP+TN)/all、F1=調和平均。

66. 問66．再現率（Recall）の計算式として正しいのはどれか。

    • ア．TP/(TP+FN)
    • イ．TP/(TP+FP)
    • ウ．FP/(FP+TN)
    • エ．TN/(TN+FN)

    正解：ア．TP/(TP+FN)

    解説：再現率=TP/(TP+FN)（実際の陽性のうち陽性予測できた割合）。がん検診等の取りこぼし重視で重要。

67. 問67．F1値の定義として正しいのはどれか。

    • ア．適合率と再現率の算術平均
    • イ．適合率と再現率の調和平均
    • ウ．適合率と再現率の幾何平均
    • エ．適合率と再現率の積

    正解：イ．適合率と再現率の調和平均

    解説：F1値は適合率と再現率の『調和平均』（2PR/(P+R)）。両者バランス評価・不均衡データに有効。

68. 問68．ROC曲線のAUC値について正しいのはどれか。

    • ア．AUC=0で完全な分類
    • イ．AUC=2.0が最大値
    • ウ．AUC=0.5はランダム相当・AUC=1.0が完全
    • エ．AUCは確率を直接表す

    正解：ウ．AUC=0.5はランダム相当・AUC=1.0が完全

    解説：AUC（Area Under Curve）は0-1の範囲。0.5でランダム、1.0で完全分類。0.7-0.8で良好、0.8以上で優秀の目安。

69. 問69．バイアス・バリアンスのトレードオフで、複雑すぎるモデルの問題として正しいのはどれか。

    • ア．バイアスが高く未学習
    • イ．計算が高速化
    • ウ．両者ともゼロ
    • エ．バリアンスが高く過学習

    正解：エ．バリアンスが高く過学習

    解説：複雑モデルはバリアンス高（過学習傾向）。単純モデルはバイアス高（未学習傾向）。両者バランスが理想。

70. 問70．訓練データの欠損値処理として一般的でない手法はどれか。

    • ア．データを増やす
    • イ．中央値補完
    • ウ．KNN補完
    • エ．平均値補完

    正解：ア．データを増やす

    解説：欠損値補完は平均・中央値・最頻値・KNN・MICE等が一般的。データを増やすのは欠損値処理ではなくデータ拡張。

71. 問71．特徴量のスケーリング手法として正しいのはどれか。

    • ア．min-max正規化（0-1範囲）
    • イ．上記すべて正しい
    • ウ．ロバストスケーリング
    • エ．Z-score標準化（平均0・分散1）

    正解：イ．上記すべて正しい

    解説：全て正解。min-max・Z-score・ロバストスケーリング（中央値・四分位）はすべて代表的スケーリング手法。

72. 問72．ホールドアウト法の一般的なデータ分割比率として正しいのはどれか。

    • ア．訓練90%・テスト10%のみ
    • イ．訓練・テスト各50%
    • ウ．訓練60%・検証20%・テスト20%等の3分割
    • エ．全データを訓練のみに使用

    正解：ウ．訓練60%・検証20%・テスト20%等の3分割

    解説：3分割（訓練・検証・テスト）が標準。検証はハイパーパラメータ調整、テストは最終評価。比率は6:2:2や7:1.5:1.5等。

73. 問73．バギングとブースティングの違いとして正しいのはどれか。

    • ア．バギングは逐次・ブースティングは並列
    • イ．両者とも逐次
    • ウ．両者ともに並列
    • エ．バギングは並列・ブースティングは逐次

    正解：エ．バギングは並列・ブースティングは逐次

    解説：バギングは独立並列学習（ランダムフォレスト等）、ブースティングは逐次学習（誤差補正）。XGBoost・AdaBoost等が後者。

74. 問74．アンサンブル学習で代表的なスタッキング（Stacking）の説明として正しいのはどれか。

    • ア．複数モデル出力を別モデル（メタモデル）が統合する
    • イ．弱学習器を多数決で組合せる
    • ウ．モデルを逐次追加する
    • エ．モデルパラメータを平均する

    正解：ア．複数モデル出力を別モデル（メタモデル）が統合する

    解説：スタッキングは複数モデル予測を入力として別モデル（メタモデル）で最終予測。Kaggle上位戦略で頻出。

75. 問75．不均衡データ対策として正しい手法はどれか。

    • ア．全データをそのまま学習
    • イ．SMOTE等のオーバーサンプリング
    • ウ．モデル複雑度を上げる
    • エ．訓練データを減らす

    正解：イ．SMOTE等のオーバーサンプリング

    解説：不均衡データはSMOTE（少数派合成）・アンダーサンプリング・クラス重み付け等が対策。F1値・AUC等で評価。