2026年版・0-2

データ・モデル・学習の基本用語の一問一答

G検定（ジェネラリスト検定）「最初に覚える土台知識」から、データ・モデル・学習の基本用語に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問）最初に覚える土台知識の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問10-2

機械学習における「特徴量」の説明として、最も適切なものを1つ選びなさい。

①モデルが予測した結果と、実際の正解との差を表す値
②学習を始める前に人間が決めておく、学習の進め方の設定値
③予測の手がかりとして入力する、データの性質を表す値
④学習用のデータを分割するときに使う、データの通し番号

答えと解説を見る

正解 ③予測の手がかりとして入力する、データの性質を表す値

解説
特徴量とは、予測や分類の手がかりとしてモデルに入力する、データの性質を表す値です。たとえば住宅の価格を予測するなら、広さ、駅からの距離、築年数などが特徴量になります。どの特徴量を使うかによって、モデルの性能は大きく変わります。従来の機械学習では人間が特徴量を設計することが多く、この作業を「特徴量エンジニアリング」と呼びます。

他の選択肢が不適切な理由
・予測結果と正解との差を表す値：これは「誤差」や「損失」の説明です。
・学習前に人間が決める設定値：これは「ハイパーパラメータ」（学習率や層の数など）の説明です。
・データの通し番号：通し番号（ID）は、それ自体に予測に役立つ性質がないため、通常は特徴量として使いません。

覚え方のポイント
「特徴量＝入力の手がかり」「目的変数（ラベル）＝当てたい答え」と対にして覚えましょう。表形式のデータなら、列（カラム）の一つひとつが特徴量にあたります。

問20-2

機械学習のモデルにおける「パラメータ」と「ハイパーパラメータ」の説明として、最も適切なものを1つ選びなさい。

①ハイパーパラメータは学習によって自動で決まり、パラメータは学習前に人が設定する。
②パラメータとハイパーパラメータはどちらも、学習によって自動で決まる値である。
③パラメータとハイパーパラメータはどちらも、学習前に人が決めて固定する値である。
④パラメータは学習によって自動で決まり、ハイパーパラメータは学習前に人が設定する。

答えと解説を見る

正解 ④パラメータは学習によって自動で決まり、ハイパーパラメータは学習前に人が設定する。

解説
パラメータは、ニューラルネットワークの重みやバイアスのように、学習の過程でデータから自動的に調整される値です。一方、ハイパーパラメータは、学習率、ニューラルネットワークの層の数、決定木の深さ、ミニバッチの大きさなど、学習の進め方やモデルの構造を決めるために、学習を始める前に人が設定する値です。ハイパーパラメータの良い組み合わせは、グリッドサーチなどで試行錯誤して探します。

他の選択肢が不適切な理由
・ハイパーパラメータが学習で決まるという記述：2つの役割が逆になっています。
・どちらも学習によって自動で決まるという記述：ハイパーパラメータは学習前に決める値です。
・どちらも学習前に人が決めて固定するという記述：パラメータは学習によって更新されるため、人が決めて固定する値ではありません。

覚え方のポイント
「パラメータ＝モデルが自分で覚える中身」「ハイパーパラメータ＝人が決める学習の設定」。「ハイパー（超）」は、パラメータのさらに外側から学習を制御する値だと考えると覚えやすくなります。

問30-2

機械学習で、手元のデータを「訓練データ」と「テストデータ」に分けて使う主な目的として、最も適切なものを1つ選びなさい。

①学習に使っていないデータで性能を確かめ、未知のデータへの対応力を測るため
②同じデータを2回ずつ学習させることで、学習にかかる時間を半分に短縮するため
③テストデータで学習した結果と訓練データで学習した結果を平均するため
④テストデータの正解ラベルも学習に使い、正解率をできるだけ高めるため

答えと解説を見る

正解 ①学習に使っていないデータで性能を確かめ、未知のデータへの対応力を測るため

解説
機械学習の目的は、学習に使ったデータだけでなく、まだ見たことのない新しいデータに対しても正しく予測できるモデルを作ることです。この能力を「汎化性能」といいます。学習に使ったデータで性能を測ると、答えを覚えてしまっただけのモデルでも高い成績が出てしまいます。そこで、学習に使わないテストデータを取り分けておき、そのデータで性能を確かめます。

他の選択肢が不適切な理由
・学習時間を半分に短縮するため：データを分けるのは評価のためで、学習時間の短縮が目的ではありません。
・2つの学習結果を平均するため：テストデータは原則として学習に使いません。
・テストデータの正解ラベルも学習に使う：テストデータを学習に使うと、未知のデータに対する実力を測れなくなります。評価が不当に高く出る原因になるため、テストデータは学習に使いません。

覚え方のポイント
テストデータは「本番の試験問題」、訓練データは「練習問題」にたとえられます。練習問題の丸暗記では本番で点が取れないのと同じで、未知のデータで確かめることが大切です。ハイパーパラメータの調整には、さらに「検証データ」を分けて使います。

問40-2

学習データに対しては非常に高い精度が出るのに、未知のデータに対しては精度が大きく下がってしまう状態を何というか。最も適切なものを1つ選びなさい。

①未学習（学習不足）
②過学習（過剰適合）
③勾配消失
④次元の呪い

答えと解説を見る

正解 ②過学習（過剰適合）

解説
過学習（オーバーフィッティング）とは、モデルが学習データに含まれる偶然のばらつきやノイズまで細かく覚えてしまい、学習データでは高い精度が出るのに、未知のデータでは精度が下がってしまう状態です。モデルが複雑すぎる場合や、データが少なすぎる場合に起こりやすくなります。対策として、データを増やす、モデルを単純にする、正則化やドロップアウトを使う、早期終了を行うなどの方法があります。

他の選択肢が不適切な理由
・未学習（学習不足）：モデルが単純すぎるなどの理由で、学習データに対しても精度が低い状態です。
・勾配消失：ニューラルネットワークの層が深いとき、誤差を逆向きに伝える途中で勾配が小さくなり、学習が進まなくなる現象です。
・次元の呪い：特徴量の数（次元）が増えると、必要なデータ量が急激に増えて学習が難しくなる現象です。

覚え方のポイント
「過学習＝練習問題の丸暗記」「未学習＝そもそも勉強不足」と覚えましょう。学習データの誤差は下がり続けるのに、検証データの誤差が途中から上がり始めたら、過学習のサインです。

問50-2

教師あり学習で使う「ラベル（正解ラベル）」の説明として、最も適切なものを1つ選びなさい。

①データの保存場所を示すために付ける、ファイルの名前のこと
②学習を始める前に人間が設定する、学習率などの設定値
③各データに対応付けられた、モデルに予測させたい正解の値
④データの一部を隠して作る、自己教師あり学習用の問題

答えと解説を見る

正解 ③各データに対応付けられた、モデルに予測させたい正解の値

解説
ラベル（正解ラベル）とは、教師あり学習で、それぞれのデータに対応付けられた「予測させたい正解」のことです。画像分類なら「犬」「猫」といった分類名、住宅価格の予測なら実際の価格がラベルにあたります。データにラベルを付ける作業を「アノテーション」と呼び、人手と費用がかかるため、実務では大きな負担になりやすい工程です。

他の選択肢が不適切な理由
・ファイルの名前：データの管理に使う名前であり、モデルに予測させる正解ではありません。
・学習率などの設定値：これは「ハイパーパラメータ」の説明です。
・データの一部を隠して作る問題：自己教師あり学習では、データそのものから疑似的な正解を作りますが、人が付けた正解ラベルとは区別されます。

覚え方のポイント
「ラベル＝正解」「アノテーション＝正解を付ける作業」とセットで覚えましょう。ラベル付けの質がモデルの性能を左右するため、社会実装の分野でもアノテーションはよく問われます。

問60-2

機械学習の「モデル」の説明として、最も適切なものを1つ選びなさい。

①学習に使うデータを、表の形に整えて保存しておくための入れ物
②モデルの予測がどれだけ正しいかを数値で表した評価の結果
③学習を行うコンピュータの、演算装置や記憶装置などの部品
④入力を受け取り、学習で得た規則にもとづいて出力を返す仕組み

答えと解説を見る

正解 ④入力を受け取り、学習で得た規則にもとづいて出力を返す仕組み

解説
機械学習でいう「モデル」とは、入力データを受け取り、学習によって得た規則（パラメータ）にもとづいて、予測や分類などの出力を返す仕組みのことです。数式や計算手順として表現され、ニューラルネットワーク、決定木、線形回帰などがモデルの種類にあたります。学習が終わったモデルは「学習済みモデル」と呼ばれ、推論に使われます。

他の選択肢が不適切な理由
・データを保存しておく入れ物：これはデータセットやデータベースの説明です。
・予測の正しさを表した評価の結果：これは正解率などの「評価指標」の説明です。
・コンピュータの部品：これはハードウェアの説明で、モデルはソフトウェア上の仕組みです。

覚え方のポイント
「データ＋アルゴリズム（学習の手順）→ 学習済みモデル」という流れで覚えましょう。法律分野では、学習済みモデルや学習用データセットの権利を誰が持つかが、AI開発の契約の重要な論点になります。

問70-2

ある病気の検査を受けた100人のうち、陽性と判定された人が実際にその病気である割合を知りたい。このとき用いる評価指標として、最も適切なものを1つ選びなさい。

①適合率（Precision）
②再現率（Recall）
③正解率（Accuracy）
④平均二乗誤差（MSE）

答えと解説を見る

正解 ①適合率（Precision）

解説
適合率（Precision）は、モデルが「陽性」と予測したもののうち、実際に陽性であった割合です。本問の「陽性と判定された人のうち、実際に病気である人の割合」がまさにこれにあたります。適合率が高いほど、陽性の予測に間違いが少ないことを意味します。

他の選択肢が不適切な理由
・再現率（Recall）：実際に陽性であるもののうち、モデルが正しく陽性と予測できた割合です。「病気の人をどれだけ見逃さなかったか」を表します。
・正解率（Accuracy）：陽性・陰性を問わず、すべての予測のうち正しかった割合です。
・平均二乗誤差（MSE）：回帰の課題で使う指標で、予測値と正解の差の2乗の平均です。

覚え方のポイント
分母に注目すると区別できます。「適合率＝予測が陽性のもの（予測側）が分母」「再現率＝実際に陽性のもの（正解側）が分母」。見逃しを減らしたい病気の検査では、再現率が特に重視されます。

問80-2

大量のデータの中から、特定の目的のために集めて整理したデータのまとまりを何というか。最も適切なものを1つ選びなさい。

①ハイパーパラメータ
②データセット
③アルゴリズム
④エポック

答えと解説を見る

正解 ②データセット

解説
データセットとは、特定の目的のために集めて整理したデータのまとまりです。機械学習では、学習や評価に使うデータの集まりを指します。たとえば、約1,400万枚の画像にラベルを付けた「ImageNet」や、手書き数字の画像を集めた「MNIST」は、研究で広く使われている代表的なデータセットです。

他の選択肢が不適切な理由
・ハイパーパラメータ：学習率や層の数など、学習を始める前に人が設定する値です。
・アルゴリズム：問題を解くための計算の手順です。学習アルゴリズムは、データからモデルを作る手順を指します。
・エポック：学習データ全体を1回使い切って学習することを1エポックと数える単位です。

覚え方のポイント
ImageNetは、画像認識の競技会ILSVRCで使われ、2012年にディープラーニングのモデル（AlexNet）が大差で優勝したことで有名です。データセット名と歴史的な出来事をセットで覚えておきましょう。

問90-2

ニューラルネットワークの学習で使われる「エポック」の説明として、最も適切なものを1つ選びなさい。

①ミニバッチ1つ分のデータでパラメータを1回更新すること
②学習前に訓練データとテストデータに分ける割合のこと
③学習データ全体を1周分使って学習することを数える単位
④ネットワークの入力層から出力層までの層の数のこと

答えと解説を見る

正解 ③学習データ全体を1周分使って学習することを数える単位

解説
エポックとは、学習データ全体を1周分使って学習することを数える単位です。たとえば学習データが1,000件あり、100件ずつのミニバッチに分けて学習する場合、パラメータを10回更新すると1エポックになります。通常は何十、何百エポックと学習を繰り返し、検証データの誤差を見ながら学習を止める時点を決めます。

他の選択肢が不適切な理由
・ミニバッチ1つ分で1回更新すること：これは「イテレーション」の説明です。上の例では、1エポックは10イテレーションにあたります。
・データを分ける割合：これはデータ分割の比率であり、エポックとは関係ありません。
・入力層から出力層までの層の数：これはネットワークの「深さ」の説明です。

覚え方のポイント
「イテレーション＝1回の更新」「エポック＝データ全体を1周」。1エポックあたりのイテレーション数は「データ数 ÷ バッチサイズ」で計算できる、という関係もあわせて覚えましょう。

問100-2

データの前処理として行われる「正規化（最小値を0、最大値を1にそろえる処理など）」の主な目的として、最も適切なものを1つ選びなさい。

①データの件数を増やして、学習データの不足を解消するため
②正解ラベルの誤りを見つけ出し、自動で修正するため
③個人を特定できる情報を消し、匿名加工情報にするため
④特徴量ごとの値の大きさをそろえ、学習を安定させるため

答えと解説を見る

正解 ④特徴量ごとの値の大きさをそろえ、学習を安定させるため

解説
特徴量の中には、「年齢（0〜100程度）」と「年収（数百万〜数千万）」のように、値の大きさ（スケール）が大きく異なるものがあります。そのまま学習させると、値の大きな特徴量の影響が強くなりすぎたり、学習が不安定になったりします。そこで、最小値を0・最大値を1にそろえる「正規化」や、平均を0・標準偏差を1にそろえる「標準化」を行い、スケールをそろえます。

他の選択肢が不適切な理由
・データの件数を増やすため：件数を増やす工夫は「データ拡張」などで、正規化の目的ではありません。
・ラベルの誤りを自動で修正するため：正規化はラベルの誤りを見つける処理ではありません。
・匿名加工情報にするため：正規化は数値の尺度をそろえる処理であり、個人情報保護法上の匿名加工とは別物です。

覚え方のポイント
「正規化＝0〜1にそろえる」「標準化＝平均0・標準偏差1にそろえる」と区別しましょう。ニューラルネットワークの中で層ごとに行う「バッチ正規化」も、同じく学習を安定させるための工夫です。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。