2026年版・2-1

教師あり学習：回帰・分類の基本手法の一問一答

G検定（ジェネラリスト検定）「機械学習の概要」から、教師あり学習：回帰・分類の基本手法に関する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）機械学習の概要の要点解説を読む

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12-1

線形回帰のパラメータを求める代表的な方法である「最小二乗法」の説明として、最も適切なものを1つ選びなさい。

①予測値と実測値の差をそのまま足し合わせた値が、最大になるようにパラメータを決める。
②予測値と実測値の差を2乗して足し合わせた値が、最大になるようにパラメータを決める。
③予測値と実測値の差を2乗して足し合わせた値が、最小になるようにパラメータを決める。
④予測値と実測値の差の絶対値のうち、最大のものが最小になるようにパラメータを決める。

答えと解説を見る

正解 ③予測値と実測値の差を2乗して足し合わせた値が、最小になるようにパラメータを決める。

解説
線形回帰は、説明変数（特徴量）と目的変数の関係を直線（または平面など）で表し、数値を予測する手法です。その直線の傾きや切片といったパラメータを決める代表的な方法が最小二乗法で、予測値と実測値の差（残差）をそれぞれ2乗し、それらを合計した値（残差平方和）が最も小さくなるようにパラメータを決めます。差を2乗するのは、プラスとマイナスの誤差が打ち消し合わないようにするためです。

他の選択肢が不適切な理由
・差をそのまま足した値を最大にする：差をそのまま足すとプラスとマイナスが打ち消し合ううえ、誤差を最大にするのは目的と逆です。
・差を2乗して足した値を最大にする：2乗して足し合わせる点は同じですが、それを最大にすると予測がどんどん外れていきます。最小二乗法は「最小」にする方法です。
・差の絶対値の最大のものを最小にする：これは最も大きく外れたデータだけに注目する別の考え方（ミニマックス近似）で、最小二乗法ではありません。最小二乗法はすべてのデータの差の2乗の合計を見ます。

覚え方のポイント
説明変数が1つなら「単回帰分析」、2つ以上なら「重回帰分析」と呼びます。最小二乗法の考え方は、回帰の評価指標である平均二乗誤差（MSE）にもつながっています。

問22-1

ロジスティック回帰の説明として、最も適切なものを1つ選びなさい。

①名前に「回帰」とあるとおり、売上高などの連続した数値の予測だけに用いる手法である。
②正解ラベルを使わずに、似たデータどうしを自動でグループに分けるための手法である。
③データを木のような条件分岐の組み合わせで表し、段階的に分類を行う手法である。
④シグモイド関数で0から1の値を出力し、それを確率とみなして分類に用いる手法である。

答えと解説を見る

正解 ④シグモイド関数で0から1の値を出力し、それを確率とみなして分類に用いる手法である。

解説
ロジスティック回帰は、名前に「回帰」とありますが、主に分類に用いる手法です。特徴量に重みを掛けて足し合わせた値を、シグモイド関数（ロジスティック関数）に通して0から1の間の値に変換し、それを「あるクラスに属する確率」とみなします。たとえば、その値が0.5以上なら陽性、0.5未満なら陰性のように判定します。3つ以上のクラスに分類する場合は、ソフトマックス関数を使って拡張します。

他の選択肢が不適切な理由
・連続した数値の予測だけに用いる：名前に反して、ロジスティック回帰は分類の手法です。G検定の典型的なひっかけです。
・正解ラベルを使わずにグループに分ける：これは教師なし学習のクラスタリングの説明です。
・木のような条件分岐で分類する：これは決定木の説明です。

覚え方のポイント
「ロジスティック回帰＝分類」「シグモイド関数で確率に変換」。出力を確率として解釈できることに加え、重みの大きさや符号から、どの特徴量が判定に効いているかを説明しやすいのも長所です。

問32-1

k近傍法（k-NN）の説明として、最も適切なものを1つ選びなさい。

①新しいデータに近い学習データをk個選び、その多数決でクラスを決める手法
②データをk個のグループに分け、各グループの重心を繰り返し更新していく手法
③k個の決定木を別々に学習させ、それらの予測の多数決でクラスを決める手法
④データをk個に分割し、順番にテストに使いながら性能を評価していく方法

答えと解説を見る

正解 ①新しいデータに近い学習データをk個選び、その多数決でクラスを決める手法

解説
k近傍法（k-Nearest Neighbor）は、分類したい新しいデータについて、特徴量の空間で距離の近い学習データをk個選び、それらのクラスの多数決で分類先を決める教師あり学習の手法です。仕組みが単純で分かりやすい一方、学習の段階ではデータを記憶しておくだけで、予測のたびにすべての学習データとの距離を計算するため、データが多いと予測に時間がかかります。多数決で同数になるのを避けるため、kには奇数を選ぶことがよくあります。

他の選択肢が不適切な理由
・k個のグループに分け重心を更新する：これは教師なし学習の「k-means法」の説明です。名前が似ているため、よく混同されます。
・k個の決定木の多数決：ランダムフォレストの説明に近く、k近傍法ではありません。
・データをk個に分割して順番にテストに使う：これはモデルの評価方法である「k分割交差検証」の説明です。

覚え方のポイント
「k近傍法＝教師あり・近いk個の多数決」「k-means法＝教師なし・k個のグループに分ける」「k分割交差検証＝評価方法」。同じ「k」でも意味がまったく違う3つを区別しましょう。

問42-1

線形回帰に正則化を加えた手法のうち、「ラッソ回帰」の特徴として、最も適切なものを1つ選びなさい。

①L2正則化を用いるため、一部の特徴量の係数がちょうど0になりやすい。
②L1正則化を用いるため、一部の特徴量の係数がちょうど0になりやすい。
③L1正則化を用いるため、すべての係数が同じ値にそろいやすくなる。
④正則化を用いないため、特徴量の数が多いほど過学習しにくくなる。

答えと解説を見る

正解 ②L1正則化を用いるため、一部の特徴量の係数がちょうど0になりやすい。

解説
ラッソ回帰（Lasso回帰）は、線形回帰の誤差に、係数の絶対値の和に比例する罰則を加える「L1正則化」を用いた手法です。L1正則化には、あまり役に立たない特徴量の係数をちょうど0にしやすい性質があり、結果として重要な特徴量だけが残ります。これを「スパース（疎）になる」といい、特徴量の選択の役割も果たします。

他の選択肢が不適切な理由
・L2正則化を用いるため係数が0になりやすい：L2正則化を用いるのは「リッジ回帰」で、係数を全体的に小さくしますが、ちょうど0にはなりにくい性質があります。
・すべての係数が同じ値にそろいやすくなる：L1正則化の性質ではありません。
・正則化を用いないため過学習しにくい：ラッソ回帰は正則化を用いる手法であり、また一般に特徴量が多いほど過学習は起こりやすくなります。

覚え方のポイント
「ラッソ＝L1＝係数が0になる（特徴量の選択）」「リッジ＝L2＝係数が小さくなる」。L1とL2の両方を組み合わせた手法は「Elastic Net」と呼ばれます。

問52-1

重回帰分析で、説明変数どうしの相関が非常に強いときに、係数の推定が不安定になる問題を何というか。最も適切なものを1つ選びなさい。

①過学習
②勾配消失
③多重共線性
④次元の呪い

答えと解説を見る

正解 ③多重共線性

解説
多重共線性（マルチコ）とは、重回帰分析で、説明変数どうしの間に強い相関があるときに起こる問題です。たとえば「身長」と「座高」のように、ほぼ同じ情報を持つ変数を同時に入れると、どちらの変数がどれだけ目的変数に影響しているのかを切り分けられず、係数の値が大きくぶれたり、符号が直感に反して逆になったりします。対策として、相関の強い変数の一方を外す、主成分分析で変数をまとめる、正則化を用いるなどの方法があります。

他の選択肢が不適切な理由
・過学習：モデルが学習データに合わせすぎて、未知のデータで精度が下がる状態です。
・勾配消失：ニューラルネットワークの層が深いとき、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増して学習が難しくなる現象です。

覚え方のポイント
「説明変数どうしが似すぎていると、係数が決まらない」のが多重共線性です。予測の精度そのものより、係数の解釈（どの要因が効いているか）を誤らせる点に注意しましょう。

問62-1

ナイーブベイズ分類器の説明として、最も適切なものを1つ選びなさい。

①ベイズの定理を用い、特徴量が互いに強く依存していると仮定して各クラスの確率を求める。
②特徴量の空間で最も近い学習データのクラスを、そのまま予測結果として採用する手法である。
③生成器と識別器を競わせることで、各クラスに属する新しいデータを作り出す手法である。
④ベイズの定理を用い、特徴量どうしが互いに独立であると仮定して各クラスの確率を求める。

答えと解説を見る

正解 ④ベイズの定理を用い、特徴量どうしが互いに独立であると仮定して各クラスの確率を求める。

解説
ナイーブベイズ分類器は、ベイズの定理を使って、データがそれぞれのクラスに属する確率を計算し、最も確率の高いクラスに分類する手法です。計算を簡単にするため、「特徴量どうしは互いに独立である」という、現実には必ずしも成り立たない単純な（ナイーブな）仮定を置きます。それでも実用上はよく機能し、計算も速いため、迷惑メールの判定や文書の分類などに使われてきました。

他の選択肢が不適切な理由
・特徴量が互いに強く依存していると仮定する：ナイーブベイズの仮定は「独立」であり、逆です。
・最も近い学習データのクラスを採用する：これはk近傍法（k=1の場合）の説明です。
・生成器と識別器を競わせる：これはGAN（敵対的生成ネットワーク）の説明です。

覚え方のポイント
「ナイーブ（素朴）＝特徴量は独立と割り切る」。仮定が単純だからこそ計算が速い、という長所とセットで覚えましょう。

問72-1

過去の自分自身の値を使って、将来の値を予測する時系列分析のモデルとして、最も適切なものを1つ選びなさい。

①自己回帰モデル（ARモデル）
②k-means法
③主成分分析
④サポートベクターマシン

答えと解説を見る

正解 ①自己回帰モデル（ARモデル）

解説
自己回帰モデル（AR：AutoRegressive モデル）は、ある時点の値を、それより前の時点の自分自身の値の組み合わせで表し、将来の値を予測する時系列分析のモデルです。たとえば、過去数日分の気温から翌日の気温を予測するような使い方をします。複数の時系列データを同時に扱えるように拡張したものは、ベクトル自己回帰モデル（VARモデル）と呼ばれます。

他の選択肢が不適切な理由
・k-means法：データをk個のグループに分ける教師なし学習の手法で、時系列の予測には使いません。
・主成分分析：多くの特徴量を少数の軸にまとめる次元削減の手法です。
・サポートベクターマシン：マージンを最大化するように境界を決める分類（や回帰）の手法で、過去の自分自身の値から予測するモデルではありません。

覚え方のポイント
「自己（Auto）＋回帰（Regressive）＝自分の過去の値で回帰する」と名前から覚えましょう。大規模言語モデルが前の単語から次の単語を順に予測する方式も「自己回帰」と呼ばれます。

問82-1

機械学習で予測の手がかりとして使う変数と、予測したい変数の呼び方の組み合わせとして、最も適切なものを1つ選びなさい。

①手がかりの変数を目的変数、予測したい変数を説明変数という。
②手がかりの変数を説明変数、予測したい変数を目的変数という。
③手がかりの変数を目的変数、予測したい変数をハイパーパラメータという。
④手がかりの変数を説明変数、予測したい変数を潜在変数という。

答えと解説を見る

正解 ②手がかりの変数を説明変数、予測したい変数を目的変数という。

解説
予測の手がかりとして使う変数を「説明変数」（独立変数、特徴量）、予測したい対象の変数を「目的変数」（従属変数、ラベル）と呼びます。たとえば、住宅の広さや駅からの距離から家賃を予測する場合、広さや距離が説明変数、家賃が目的変数です。目的変数を説明変数で「説明する」関係にあると考えると分かりやすくなります。

他の選択肢が不適切な理由
・手がかりを目的変数、予測したいものを説明変数とする：2つの呼び方が逆です。
・予測したい変数をハイパーパラメータとする：ハイパーパラメータは学習率など、学習前に人が設定する値です。
・予測したい変数を潜在変数とする：潜在変数は、直接は観測されない隠れた変数を指し、オートエンコーダや生成モデルなどで登場します。

覚え方のポイント
「説明する側＝説明変数（入力）」「目的とする側＝目的変数（出力）」。統計学では独立変数・従属変数という呼び方もよく使われます。

問92-1

3つ以上のクラスへの分類で、出力層の各値を「合計が1になる確率」に変換するために用いられる関数として、最も適切なものを1つ選びなさい。

①ReLU関数
②恒等関数
③ソフトマックス関数
④ステップ関数

答えと解説を見る

正解 ③ソフトマックス関数

解説
ソフトマックス関数は、複数の値を受け取り、それぞれを0から1の間の値に変換し、しかもその合計がちょうど1になるようにする関数です。出力を「各クラスに属する確率」として解釈できるため、3つ以上のクラスに分類する多クラス分類の出力層で使われます。たとえば犬・猫・鳥の分類で、0.7、0.2、0.1のように出力し、最も大きい「犬」を予測結果とします。

他の選択肢が不適切な理由
・ReLU関数：入力が0以下なら0、正ならそのまま出力する関数で、主に中間層（隠れ層）の活性化関数として使われます。
・恒等関数：入力をそのまま出力する関数で、回帰の出力層で使われます。
・ステップ関数：入力が0を超えれば1、そうでなければ0を出力する関数で、単純パーセプトロンで用いられました。

覚え方のポイント
出力層の関数は課題で決まります。「回帰＝恒等関数」「2クラス分類＝シグモイド関数」「多クラス分類＝ソフトマックス関数」の3点セットで覚えましょう。

問102-1

教師あり学習のうち「回帰」の課題にあたるものとして、最も適切なものを1つ選びなさい。

①メールの本文から、そのメールが迷惑メールかどうかを判定する
②画像に写っている動物が、犬・猫・鳥のどれかを判定する
③購買履歴だけから、似た顧客をいくつかのグループに分ける
④部屋の広さや築年数などから、その物件の家賃を予測する

答えと解説を見る

正解 ④部屋の広さや築年数などから、その物件の家賃を予測する

解説
回帰は、連続した数値を予測する教師あり学習の課題です。家賃は「何円」という数値で表される連続的な量なので、広さや築年数などから家賃を予測するのは回帰の課題にあたります。売上高、気温、株価の予測なども回帰の典型例です。

他の選択肢が不適切な理由
・迷惑メールかどうかを判定する：「迷惑メール」「通常のメール」の2つのクラスに振り分ける課題なので、分類（2クラス分類）です。
・犬・猫・鳥のどれかを判定する：3つのクラスに振り分ける課題なので、分類（多クラス分類）です。
・似た顧客をグループに分ける：正解ラベルを使わずにグループを見つける課題なので、教師なし学習のクラスタリングです。

覚え方のポイント
予測したいものが「数値（量）」なら回帰、「種類（どれに当たるか）」なら分類です。問題文の予測対象が数値かどうかに注目すると、すばやく判断できます。

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。