G検定（ジェネラリスト検定）「機械学習手法の発展問題」の一問一答

G検定（ジェネラリスト検定）の機械学習手法の発展問題に関する一問一答（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．線形回帰は連続値の目的変数を予測する手法であり、最小二乗法によって誤差の二乗和を最小化するようにパラメータを推定する。

   正解：○（正しい）

   解説：線形回帰は説明変数の線形結合で連続値を予測し、残差平方和を最小化する最小二乗法でパラメータを推定する代表的な回帰手法である。解釈性が高く基礎として重要である。G検定で頻出の論点であり定義を正確に押さえておきたい。

2. 問2．サポートベクターマシン（SVM）はクラス間のマージンを最小化する決定境界を見つけることで分類性能を高める手法である。

   正解：×（誤り）

   解説：誤り。SVMはマージンを最小化ではなく最大化する手法である。クラス間の距離であるマージンを最大化する超平面を求めることで未知データへの汎化性能を高めるのが本質である。

3. 問3．ロジスティック回帰は名称に回帰を含むが、シグモイド関数で出力を確率に変換して分類タスクに用いる手法である。

   正解：○（正しい）

   解説：ロジスティック回帰は線形結合をシグモイド関数で0〜1の確率に変換し閾値で分類する手法である。名称は回帰だが実際には分類に用いられる代表的な手法である点に注意する。

4. 問4．ランダムフォレストは単一の決定木のみを深く成長させることで予測精度を高めるアンサンブル手法である。

   正解：×（誤り）

   解説：誤り。ランダムフォレストは複数の決定木をブートストラップ標本と特徴量のランダム選択で構築し多数決や平均で予測する手法である。単一の木を用いるという説明は正しくない。

5. 問5．カーネル法（カーネルトリック）を用いると、データを高次元空間へ明示的に写像せずに非線形な分類境界を扱うことができる。

   正解：○（正しい）

   解説：カーネルトリックは高次元への写像を明示的に計算せず内積をカーネル関数で置き換えることで、計算量を抑えつつ非線形分離を実現する手法でSVMなどで広く使われる。G検定で頻出の論点であり定義を正確に押さえておきたい。

6. 問6．決定木は特徴量のスケーリングである標準化や正規化を必ず行わなければ学習が成立しない手法である。

   正解：×（誤り）

   解説：誤り。決定木は閾値による分割で大小関係のみを使うためスケーリングは原則不要である。スケーリングが重要なのは距離や内積を使うSVMやk近傍法、k-meansなどの手法である。

7. 問7．決定木は特徴量の条件分岐を繰り返してデータを分割する手法であり、ジニ係数やエントロピーなどの不純度を基準に分岐を決める。

   正解：○（正しい）

   解説：決定木はジニ不純度や情報利得を基準に分割を選び木構造で予測する手法である。解釈性が高い一方で深く成長させると過学習しやすい性質があるため注意が必要である。G検定で頻出の論点であり定義を正確に押さえておきたい。

8. 問8．k-meansは各クラスタが非凸で複雑な形状をしていても、常に正しくクラスタを分離できる手法である。

   正解：×（誤り）

   解説：誤り。k-meansは重心からのユークリッド距離に基づくため球状である凸クラスタを前提とする。正しくは三日月型など非凸形状のクラスタの分離を苦手とする手法である。

9. 問9．勾配ブースティングは前段の予測誤差である残差を次の弱学習器が補正するように木を逐次的に追加していく手法である。

   正解：○（正しい）

   解説：勾配ブースティングは損失関数の勾配である残差を学習する弱学習器を逐次追加し加法的にモデルを強化する手法である。XGBoostやLightGBMがその代表的な実装である。

10. 問10．主成分分析（PCA）は教師あり学習であり、ラベル情報を用いてクラスを最も分離する軸を求める手法である。

    正解：×（誤り）

    解説：誤り。PCAはラベルを使わない教師なし手法であり分散最大の軸を求める。正しくはラベルを用いてクラス分離を最大化するのは線形判別分析であるLDAなどの手法である。

11. 問11．LightGBMは葉ごとに成長するleaf-wise戦略やヒストグラムベースの分割により、大規模データで高速かつ省メモリに学習できる。

    正解：○（正しい）

    解説：LightGBMはleaf-wise成長とヒストグラム化による分割探索で従来のlevel-wise手法より高速かつ省メモリに学習できる勾配ブースティングの代表実装である。

12. 問12．L2正則化（Ridge）は係数を完全に0にして特徴量を削除することを主目的とした正則化手法である。

    正解：×（誤り）

    解説：誤り。L2正則化は係数の二乗和にペナルティを課し全係数を一様に小さくするが厳密に0にはしにくい。正しくは係数を0にし特徴選択を行うのはL1正則化であるLassoである。

13. 問13．主成分分析（PCA）は、データの分散が最大となる直交方向を主成分として求める線形の次元削減手法である。

    正解：○（正しい）

    解説：PCAは分散最大の直交方向を主成分として抽出する線形次元削減手法であり、共分散行列の固有ベクトルとして主成分を求め情報量の多い軸へデータを射影する手法である。G検定で頻出の論点であり定義を正確に押さえておきたい。

14. 問14．バギングは主にモデルのバイアスを低減し、ブースティングは主にバリアンスを低減することを目的とする手法である。

    正解：×（誤り）

    解説：誤り。説明が逆である。バギングは主にバリアンスの低減を、ブースティングは主にバイアスの低減を目的とする手法である。両者の目的を取り違えないよう正確に区別する必要がある。

15. 問15．t-SNEは高次元データの局所構造を保ちながら低次元へ可視化する手法だが、クラスタ間の距離など大域的構造の保存は保証されない。

    正解：○（正しい）

    解説：t-SNEは近傍の確率分布を保つよう低次元へ写像し局所構造の可視化に優れるが、クラスタ間距離など大域的な構造は必ずしも保存されない点に注意して結果を解釈する必要がある。

16. 問16．適合率（precision）は、実際に陽性であるもののうち正しく陽性と予測できた割合を表す指標である。

    正解：×（誤り）

    解説：誤り。それは再現率であるrecallの定義である。正しくは適合率は陽性と予測したもののうち実際に陽性だった割合を指す指標であり、再現率と取り違えないよう注意が必要である。

17. 問17．UMAPはt-SNEと同様に可視化目的の次元削減手法だが、一般にt-SNEより高速で大域構造の保持にも優れるとされる。

    正解：○（正しい）

    解説：UMAPは多様体学習に基づく次元削減手法でt-SNEと比べ計算が高速かつ大域構造の保持に優れるとされ、大規模データの可視化や前処理の特徴量生成にも広く使われている。

18. 問18．正解率（accuracy）は陽性が極端に少ない不均衡データにおいても分類性能を適切に評価できる万能な指標である。

    正解：×（誤り）

    解説：誤り。不均衡データでは多数派を予測するだけで高い正解率になり性能を過大評価しやすい。正しくは適合率や再現率、F値やAUCなどで補完して評価すべきであり万能ではない。

19. 問19．階層クラスタリング（凝集型）は各点を個別クラスタとして開始し近いものから順に併合していく手法でデンドログラムを得られる。

    正解：○（正しい）

    解説：凝集型階層クラスタリングは各点を独立クラスタとして開始し近接クラスタを逐次併合する手法で、結果は樹形図であるデンドログラムで表現でき、クラスタ数の事前指定が不要である。

20. 問20．次元削減は常に情報を一切失わずにデータを低次元へ圧縮できるため、情報損失を心配する必要はない。

    正解：×（誤り）

    解説：誤り。多くの次元削減は分散の小さい成分などを切り捨てるため一般に情報損失を伴う。正しくは損失を抑えつつ有用な情報を残すことが目的であり、無損失で圧縮できるわけではない。

21. 問21．バギングはブートストラップ標本で複数のモデルを並列に学習し、平均や多数決で統合してバリアンスを低減する手法である。

    正解：○（正しい）

    解説：バギングはブートストラップ標本で多数のモデルを独立並列に学習し統合することでバリアンスを低減する手法で、ランダムフォレストはその代表的な実装として知られている。

22. 問22．バイアスとバリアンスは互いに独立であり同時に最小化でき、両者はトレードオフの関係にはない。

    正解：×（誤り）

    解説：誤り。一般にバイアスを下げるとバリアンスが上がりやすくその逆も成り立つトレードオフ関係にある。正しくは両者の総和を最小化する適度なモデルの複雑さを探る必要がある。

23. 問23．ブースティングは複数の弱学習器を逐次的に学習させ、前段が誤った標本を重視して次の学習器を作ることで主にバイアスを低減する。

    正解：○（正しい）

    解説：ブースティングは弱学習器を直列に学習し誤分類された標本の重みを高めて次段を訓練する手法で、主にバイアスを低減し高精度なモデルを構築する。バギングとは目的が対照的である。

24. 問24．ランダムサーチはグリッドサーチより常に劣り、ハイパーパラメータ探索手法として用いるべきではないとされる。

    正解：×（誤り）

    解説：誤り。ランダムサーチは重要なパラメータに探索を集中しやすく、高次元では同じ計算量でグリッドサーチより効率的なことが多いと報告されており、正しくは有用な手法である。

25. 問25．F値（F1スコア）は適合率と再現率の調和平均であり、両者のバランスを一つの指標で評価したいときに用いられる。

    正解：○（正しい）

    解説：F1スコアは適合率と再現率の調和平均で、トレードオフ関係にある両指標を統合的に評価できる指標である。特に陽性が少ない不均衡データの分類性能評価において有用とされる。

26. 問26．ハイパーパラメータは学習の過程で勾配降下によって自動的に最適化されるパラメータの一種である。

    正解：×（誤り）

    解説：誤り。ハイパーパラメータは学習率や木の深さなど学習前に設定する値である。正しくは勾配降下で更新されるのはモデルの重みパラメータであり両者は明確に区別される。G検定で頻出の論点であり定義を正確に押さえておきたい。

27. 問27．ROC曲線は偽陽性率を横軸・真陽性率を縦軸にとって描かれ、その下側面積であるAUCが1に近いほど性能が高いと評価される。

    正解：○（正しい）

    解説：ROC曲線は閾値を変化させた偽陽性率と真陽性率の関係を描き、AUCである曲線下面積が1に近いほど分類性能が高い。0.5はランダム予測に相当し閾値非依存の評価が可能である。

28. 問28．強化学習では既知の最善行動だけを取り続ければ、探索を行わなくても常に最適解に到達できる。

    正解：×（誤り）

    解説：誤り。活用のみでは未知のより良い行動を見逃し局所解に陥る恐れがある。正しくは探索と活用のバランスをとることが最適方策の発見において重要であるとされている。G検定で頻出の論点であり定義を正確に押さえておきたい。

29. 問29．L1正則化（Lasso）は不要な特徴量の係数を完全に0にしやすく、自動的な特徴選択の効果を持つ正則化手法である。

    正解：○（正しい）

    解説：L1正則化は係数の絶対値和にペナルティを課し一部係数を厳密に0へ縮小するため自動的な特徴選択効果を持つ。これがLassoの大きな特徴であり高次元データで有用である。

30. 問30．交差検証はデータを一度だけ学習用と検証用に分割し、その一回の結果のみで性能を評価する手法である。

    正解：×（誤り）

    解説：誤り。それはホールドアウト法の説明である。正しくは交差検証はデータをk分割し各分割を順に検証用とする評価を複数回繰り返し平均する手法で、評価のばらつきを抑えられる。

31. 問31．Elastic NetはL1正則化とL2正則化を組み合わせた手法で、両者の長所をバランスよく取り入れることができる。

    正解：○（正しい）

    解説：Elastic NetはL1とL2のペナルティを線形結合した正則化手法で、Lassoの特徴選択とRidgeの安定性を両立し、相関の高い特徴群を扱う場面にも強いという利点を持つ。

32. 問32．過学習とは訓練データへの適合が不足し、訓練データに対してすら誤差が大きくなる状態を指す。

    正解：×（誤り）

    解説：誤り。それは未学習であるアンダーフィッティングの説明である。正しくは過学習は訓練データに適合しすぎて未知データへの汎化性能が低下する状態を指す概念である。G検定で頻出の論点であり定義を正確に押さえておきたい。

33. 問33．マルコフ決定過程（MDP）では次の状態は現在の状態と行動のみで決まり、過去の全履歴には依存しないと仮定される。

    正解：○（正しい）

    解説：MDPは状態・行動・遷移確率・報酬で定義され、次状態が現在の状態と行動だけで決まるマルコフ性を仮定する強化学習問題の標準的な数学的枠組みである。G検定の出題範囲として頻出の論点であり、

34. 問34．ドロップアウトは学習時にすべてのユニットを常に有効化することで、ネットワークの表現力を最大化する手法である。

    正解：×（誤り）

    解説：誤り。ドロップアウトは学習時に一部のユニットをランダムに無効化する手法である。正しくは特定ノードへの過度な依存を防ぎ過学習を抑制する正則化的な手法である。G検定で頻出の論点であり定義を正確に押さえておきたい。

35. 問35．方策勾配法は、価値関数を介さず方策そのものをパラメータ化し、期待報酬を勾配上昇によって直接最適化する手法である。

    正解：○（正しい）

    解説：方策勾配法は方策を直接パラメータ化し期待報酬の勾配に沿って更新する手法で、連続的な行動空間にも適用しやすい。Q学習などの価値ベース手法としばしば対比される。G検定で頻出の論点であり定義を正確に押さえておきたい。

36. 問36．Q学習は方策そのものを直接パラメータ化して期待報酬を勾配上昇で更新する方策ベースの強化学習手法である。

    正解：×（誤り）

    解説：誤り。それは方策勾配法の説明である。正しくはQ学習は状態と行動の組に対する行動価値関数Qを更新する価値ベースの手法であり方策に依存しない方策オフ型に分類される。

37. 問37．ベイズ最適化は過去の試行結果から有望な探索点を確率モデルで推定し、少ない試行で良い解を探すハイパーパラメータ最適化手法である。

    正解：○（正しい）

    解説：ベイズ最適化は目的関数を確率的な代理モデルで近似し獲得関数で次の試行点を選ぶことで、グリッドサーチやランダムサーチより少ない試行回数で良い解を狙う最適化手法である。

38. 問38．グリッドサーチは候補値の一部のみをランダムに抽出して評価することで計算量を抑える探索手法である。

    正解：×（誤り）

    解説：誤り。それはランダムサーチに近い説明である。正しくはグリッドサーチは設定した候補値の全組合せを総当たりで評価する手法で、組合せ数の増加に伴い計算コストが急増する。

39. 問39．マージン最大化により分類境界を決定する代表的な教師あり手法はどれか。

    • ア．t-SNE
    • イ．k-means法
    • ウ．主成分分析
    • エ．サポートベクターマシン

    正解：エ．サポートベクターマシン

    解説：SVMはクラス間のマージンであるサポートベクターと境界の距離を最大化する超平面を求める教師あり分類手法である。他は教師なしの手法に分類され目的が異なる。G検定で頻出の論点であり定義を正確に押さえておきたい。

40. 問40．ロジスティック回帰で線形結合の出力を0〜1の確率に変換するために用いられる関数はどれか。

    • ア．シグモイド関数
    • イ．ReLU関数
    • ウ．符号関数
    • エ．恒等関数

    正解：ア．シグモイド関数

    解説：ロジスティック回帰はシグモイド関数で線形結合を0から1の確率に写像して分類を行う手法である。ReLUや恒等関数はこの確率変換の目的には用いられない点を理解しておく。

41. 問41．決定木の分割基準として一般に用いられる不純度の指標はどれか。

    • ア．コサイン類似度
    • イ．ジニ係数やエントロピー
    • ウ．学習率
    • エ．割引率

    正解：イ．ジニ係数やエントロピー

    解説：決定木はジニ不純度や情報利得であるエントロピー減少を基準に分割を選ぶ手法である。コサイン類似度や学習率などは決定木の分割基準としては用いられない指標である。G検定で頻出の論点であり定義を正確に押さえておきたい。

42. 問42．複数の決定木をブートストラップ標本と特徴量のランダム選択で構築し統合するアンサンブル手法はどれか。

    • ア．ロジスティック回帰
    • イ．主成分分析
    • ウ．ランダムフォレスト
    • エ．k近傍法

    正解：ウ．ランダムフォレスト

    解説：ランダムフォレストはブートストラップ標本と特徴量のランダム選択で多数の決定木を作り多数決や平均で予測するバギング系のアンサンブル手法として広く利用されている。G検定で頻出の論点であり定義を正確に押さえておきたい。

43. 問43．前段の予測残差を次の弱学習器が補正するように木を逐次追加する手法の代表的な実装はどれか。

    • ア．DBSCAN
    • イ．k-means
    • ウ．UMAP
    • エ．XGBoostやLightGBM

    正解：エ．XGBoostやLightGBM

    解説：XGBoostやLightGBMは残差を逐次補正する加法的学習である勾配ブースティングの代表的実装である。k-meansやUMAP、DBSCANはいずれも教師なしの手法に分類される。

44. 問44．カーネルトリックの主な利点として最も適切なものはどれか。

    • ア．高次元への明示的写像なしに非線形分離を扱える
    • イ．学習データを必ず削減できる
    • ウ．出力を確率に変換できる
    • エ．勾配計算が不要になる

    正解：ア．高次元への明示的写像なしに非線形分離を扱える

    解説：カーネルトリックは内積をカーネル関数で置換することで高次元写像を明示的に計算せずに非線形分離を可能にする。SVMなどで計算量を抑えつつ表現力を高める重要な技法である。

45. 問45．特徴量のスケーリングである標準化が予測性能に最も影響しにくい手法はどれか。

    • ア．サポートベクターマシン
    • イ．決定木
    • ウ．k近傍法
    • エ．k-means

    正解：イ．決定木

    解説：決定木は閾値による大小比較で分割するためスケーリングの影響をほぼ受けない手法である。SVMやk近傍法、k-meansは距離や内積を使うためスケーリングが重要となる。

46. 問46．回帰問題で連続値を予測し、誤差の二乗和を最小化してパラメータを求める手法はどれか。

    • ア．ロジスティック回帰
    • イ．サポートベクター分類
    • ウ．線形回帰
    • エ．ナイーブベイズ

    正解：ウ．線形回帰

    解説：線形回帰は連続値を予測し最小二乗法で残差平方和を最小化する手法である。ロジスティック回帰やナイーブベイズ、サポートベクター分類はいずれも分類に用いられる手法である。

47. 問47．クラスタ数kを事前に指定し、点の割り当てと重心更新を反復するクラスタリング手法はどれか。

    • ア．勾配ブースティング
    • イ．ランダムフォレスト
    • ウ．ロジスティック回帰
    • エ．k-means法

    正解：エ．k-means法

    解説：k-meansはクラスタ数kを事前指定し点の割り当てと重心更新を交互に反復するクラスタリング手法である。他は教師ありの手法でありクラスタリングの目的には用いられない。

48. 問48．データの分散が最大となる直交方向を主成分として抽出する線形次元削減手法はどれか。

    • ア．主成分分析（PCA）
    • イ．k-means
    • ウ．Q学習
    • エ．サポートベクターマシン

    正解：ア．主成分分析（PCA）

    解説：PCAは分散最大の直交方向を主成分として求め情報量の多い軸へデータを射影する線形の次元削減手法である。クラスタリングや強化学習、分類の手法とは目的が明確に異なる。

49. 問49．高次元データの局所構造を保ちながら2〜3次元へ可視化することに特化した手法はどれか。

    • ア．線形回帰
    • イ．t-SNE
    • ウ．決定木
    • エ．XGBoost

    正解：イ．t-SNE

    解説：t-SNEは近傍関係の確率分布を保つよう低次元へ写像しデータの局所構造の可視化に優れる非線形の次元削減手法である。回帰や分類を目的とする手法とは役割が異なる。G検定で頻出の論点であり定義を正確に押さえておきたい。

50. 問50．各点を個別クラスタとして開始し近いものから順に併合してデンドログラムを得る手法はどれか。

    • ア．k-means
    • イ．主成分分析
    • ウ．凝集型階層クラスタリング
    • エ．ロジスティック回帰

    正解：ウ．凝集型階層クラスタリング

    解説：凝集型階層クラスタリングは各点を独立クラスタとして開始し逐次併合する手法である。樹形図であるデンドログラムが得られクラスタ数の事前指定が不要な点が特徴である。G検定で頻出の論点であり定義を正確に押さえておきたい。

51. 問51．t-SNEと比べ一般に高速で大域構造の保持にも優れるとされる次元削減・可視化手法はどれか。

    • ア．ナイーブベイズ
    • イ．最小二乗法
    • ウ．k近傍法
    • エ．UMAP

    正解：エ．UMAP

    解説：UMAPは多様体学習に基づく次元削減手法でt-SNEより高速かつ大域構造の保持に優れるとされ、大規模データの可視化や前処理の特徴量生成に広く用いられている手法である。

52. 問52．k-means法が分離を苦手とするデータ形状として最も適切なものはどれか。

    • ア．三日月型など非凸な形状のクラスタ
    • イ．球状にまとまったクラスタ
    • ウ．等密度の凸クラスタ
    • エ．明確に離れた球状の塊

    正解：ア．三日月型など非凸な形状のクラスタ

    解説：k-meansは重心からのユークリッド距離に基づくため球状である凸クラスタを前提とする手法である。そのため三日月型など非凸形状のクラスタの分離を苦手とする性質がある。

53. 問53．教師なし学習に分類されるタスクとして最も適切なものはどれか。

    • ア．スパムメールの分類
    • イ．顧客データのクラスタリング
    • ウ．住宅価格の回帰予測
    • エ．手書き数字の分類

    正解：イ．顧客データのクラスタリング

    解説：クラスタリングはラベルを使わない教師なし学習である。スパム分類や住宅価格の回帰、手書き数字分類はいずれも正解ラベルを用いる教師あり学習であり性質が異なる。G検定で頻出の論点であり定義を正確に押さえておきたい。

54. 問54．カテゴリ変数を各カテゴリに対応する0/1ベクトルへ変換する特徴量変換手法はどれか。

    • ア．標準化
    • イ．主成分分析
    • ウ．ワンホットエンコーディング
    • エ．ドロップアウト

    正解：ウ．ワンホットエンコーディング

    解説：ワンホットエンコーディングはカテゴリ変数を各値に対応する二値ベクトルへ展開する手法である。数値前提のモデルでカテゴリを扱えるようにする代表的な前処理として用いられる。

55. 問55．特徴量数の増加に伴いデータが疎になり距離概念が機能しにくくなる現象を何と呼ぶか。

    • ア．モード崩壊
    • イ．勾配消失
    • ウ．破滅的忘却
    • エ．次元の呪い

    正解：エ．次元の呪い

    解説：次元の呪いは高次元でデータが疎になり距離や密度の概念が機能しにくくなる現象である。次元削減はこの緩和や過学習抑制、計算量低減に役立つため重要な前処理となる。G検定で頻出の論点であり定義を正確に押さえておきたい。

56. 問56．次元削減を行う主な目的として最も適切でないものはどれか。

    • ア．訓練ラベルを自動生成する
    • イ．次元の呪いを緩和する
    • ウ．可視化を容易にする
    • エ．計算量を低減する

    正解：ア．訓練ラベルを自動生成する

    解説：次元削減はラベルを生成する手法ではない。正しくは次元の呪いの緩和や可視化、計算量の低減、過学習の抑制などが主な目的であり、ラベル生成はこれに含まれない。G検定で頻出の論点であり定義を正確に押さえておきたい。

57. 問57．複数モデルを並列に学習し平均や多数決で統合してバリアンスを低減する手法はどれか。

    • ア．ブースティング
    • イ．バギング
    • ウ．ドロップアウト
    • エ．正則化

    正解：イ．バギング

    解説：バギングはブートストラップ標本で多数のモデルを独立に学習し統合してバリアンスを低減する手法である。ランダムフォレストはその代表的な実装として広く知られている。G検定で頻出の論点であり定義を正確に押さえておきたい。

58. 問58．弱学習器を逐次的に学習させ、誤分類標本を重視して主にバイアスを低減する手法はどれか。

    • ア．バギング
    • イ．主成分分析
    • ウ．ブースティング
    • エ．交差検証

    正解：ウ．ブースティング

    解説：ブースティングは弱学習器を直列に学習し誤分類標本の重みを高めて次段を訓練する手法で、主にバイアスを低減し高精度なモデルを構築する。バギングとは目的が対照的である。

59. 問59．複数モデルの予測を入力としメタモデルが最終予測を行うアンサンブル手法はどれか。

    • ア．早期終了
    • イ．バギング
    • ウ．ドロップアウト
    • エ．スタッキング

    正解：エ．スタッキング

    解説：スタッキングはベースモデルの出力を特徴量としてメタモデルに学習させ最終予測を統合する手法である。多様なモデルの長所を組み合わせて精度向上を狙うアンサンブルである。

60. 問60．陽性と予測したもののうち実際に陽性だった割合を表す指標はどれか。

    • ア．適合率（precision）
    • イ．再現率（recall）
    • ウ．正解率（accuracy）
    • エ．特異度

    正解：ア．適合率（precision）

    解説：適合率は陽性と予測したもののうち実際に陽性だった割合である。実際の陽性のうち正しく検出できた割合は再現率であり、両者を取り違えないよう正確に区別する必要がある。

61. 問61．適合率と再現率の調和平均として両者のバランスを評価する指標はどれか。

    • ア．AUC
    • イ．F値（F1スコア）
    • ウ．決定係数
    • エ．対数尤度

    正解：イ．F値（F1スコア）

    解説：F1スコアは適合率と再現率の調和平均で両指標のトレードオフを統合評価できる指標である。特に陽性が少ない不均衡データの分類性能を評価する場面において有用とされる。

62. 問62．ROC曲線の下側面積を表し、1に近いほど分類性能が高いとされる指標はどれか。

    • ア．RMSE
    • イ．F値
    • ウ．AUC
    • エ．ジニ不純度

    正解：ウ．AUC

    解説：AUCはROC曲線の下側面積であり1に近いほど分類性能が高く0.5はランダム予測に相当する指標である。閾値に依存せず分類器の性能を評価できる点に大きな利点がある。

63. 問63．データをk個に分割し各分割を一度ずつ検証用として評価を平均する手法はどれか。

    • ア．グリッドサーチ
    • イ．ホールドアウト法
    • ウ．ブートストラップ抽出
    • エ．k分割交差検証

    正解：エ．k分割交差検証

    解説：k分割交差検証はデータをk分割し各分割を順に検証用とする評価をk回行い平均する手法である。データを有効に活用しつつ評価のばらつきを抑えられる代表的な検証手法である。

64. 問64．陽性が極端に少ない不均衡データの分類評価で、単独では誤解を招きやすい指標はどれか。

    • ア．正解率（accuracy）
    • イ．再現率
    • ウ．F値
    • エ．AUC

    正解：ア．正解率（accuracy）

    解説：不均衡データでは多数派を予測するだけで正解率が高く出て性能を過大評価しやすい。そのため再現率やF値、AUCなどで補完して評価することが望ましいとされている。G検定で頻出の論点であり定義を正確に押さえておきたい。

65. 問65．係数を完全に0にしやすく特徴選択の効果を持つ正則化手法はどれか。

    • ア．L2正則化（Ridge）
    • イ．L1正則化（Lasso）
    • ウ．ドロップアウト
    • エ．バッチ正規化

    正解：イ．L1正則化（Lasso）

    解説：L1正則化は係数の絶対値和に罰則を課し一部係数を厳密に0へ縮小するため特徴選択効果を持つ手法である。L2は係数を一様に小さくするが厳密に0にはしにくい点で異なる。

66. 問66．L1正則化とL2正則化を組み合わせ両者の長所を取り入れる正則化手法はどれか。

    • ア．Lassoのみ
    • イ．Ridgeのみ
    • ウ．Elastic Net
    • エ．ドロップアウト

    正解：ウ．Elastic Net

    解説：Elastic NetはL1とL2のペナルティを線形結合した正則化手法である。Lassoの特徴選択とRidgeの安定性を両立し相関の高い特徴群の扱いにも強いという利点を持っている。

67. 問67．ニューラルネットの学習時に一部ユニットをランダムに無効化して過学習を抑える手法はどれか。

    • ア．ベイズ最適化
    • イ．ワンホット化
    • ウ．主成分分析
    • エ．ドロップアウト

    正解：エ．ドロップアウト

    解説：ドロップアウトは訓練時に一定割合のユニットを確率的に無効化し特定ノードへの過度な依存を防ぐ正則化的な手法で、ニューラルネットの過学習の抑制に有効とされている。G検定で頻出の論点であり定義を正確に押さえておきたい。

68. 問68．訓練誤差が小さい一方で検証誤差が大きい状態が示す典型的な問題はどれか。

    • ア．過学習
    • イ．未学習
    • ウ．勾配爆発
    • エ．クラス不均衡

    正解：ア．過学習

    解説：訓練誤差が小さく検証誤差が大きい乖離は過学習の典型的な兆候である。両誤差がともに大きい場合は未学習である高バイアスが疑われるため両者を区別して診断する必要がある。

69. 問69．モデルが単純すぎてデータの構造を捉えきれず未学習を起こす状態を何というか。

    • ア．高バリアンス
    • イ．高バイアス
    • ウ．正則化過多
    • エ．過学習

    正解：イ．高バイアス

    解説：高バイアスはモデルが単純すぎてデータの構造を捉えきれない状態で、訓練と検証の双方で誤差が大きい未学習を招く。表現力の向上やモデルの複雑化が主な対策となる。G検定で頻出の論点であり定義を正確に押さえておきたい。

70. 問70．モデルが複雑すぎて訓練データのノイズに過敏に反応する状態を何というか。

    • ア．高バイアス
    • イ．次元の呪い
    • ウ．高バリアンス
    • エ．勾配消失

    正解：ウ．高バリアンス

    解説：高バリアンスはモデルが複雑すぎて訓練データのノイズに過敏に反応する状態で過学習を招く。正則化やデータの増加、モデルの単純化などで抑制するのが一般的な対策である。

71. 問71．候補値の全組合せを総当たりで試すハイパーパラメータ探索手法はどれか。

    • ア．勾配降下法
    • イ．ベイズ最適化
    • ウ．ランダムサーチ
    • エ．グリッドサーチ

    正解：エ．グリッドサーチ

    解説：グリッドサーチは各ハイパーパラメータ候補値の全組合せを網羅的に評価する手法である。確実だが組合せ数の増加に伴い計算コストが急増するという欠点を持っている。G検定で頻出の論点であり定義を正確に押さえておきたい。

72. 問72．過去の試行結果を確率モデルで活用し少ない試行で良解を探すハイパーパラメータ最適化手法はどれか。

    • ア．ベイズ最適化
    • イ．グリッドサーチ
    • ウ．総当たり探索
    • エ．最小二乗法

    正解：ア．ベイズ最適化

    解説：ベイズ最適化は目的関数を代理モデルで近似し獲得関数で次の試行点を選ぶことで、グリッドやランダム探索より少ない試行回数で良い解を狙うハイパーパラメータ最適化手法である。

73. 問73．状態と行動の組に対する価値である行動価値関数Qを更新し最適方策を学ぶ手法はどれか。

    • ア．k-means
    • イ．Q学習
    • ウ．主成分分析
    • エ．ロジスティック回帰

    正解：イ．Q学習

    解説：Q学習は各状態行動対の価値Qを反復更新して最適行動価値関数を推定する価値ベースの強化学習手法である。方策に依存せず学習できる方策オフ型に分類される代表的手法である。

74. 問74．次の状態が現在の状態と行動のみで決まると仮定する強化学習の数学的枠組みはどれか。

    • ア．主成分分析
    • イ．サポートベクターマシン
    • ウ．マルコフ決定過程（MDP）
    • エ．勾配ブースティング

    正解：ウ．マルコフ決定過程（MDP）

    解説：MDPは状態と行動、遷移確率、報酬で定義され、次状態が現在の状態と行動だけで決まるマルコフ性を仮定する強化学習の標準的な数学的枠組みとして広く用いられている。G検定で頻出の論点であり定義を正確に押さえておきたい。

75. 問75．強化学習で将来の報酬をどれだけ重視するかを制御するパラメータはどれか。

    • ア．バッチサイズ
    • イ．学習率
    • ウ．正則化係数
    • エ．割引率（割引因子γ）

    正解：エ．割引率（割引因子γ）

    解説：割引率γは将来報酬の現在価値への割引を制御するパラメータで、0に近いと近視眼的に、1に近いほど遠い将来の報酬まで重視する強化学習の重要なパラメータである。G検定で頻出の論点であり定義を正確に押さえておきたい。