2026年版・6-2

データの収集・加工・分析・学習の一問一答

G検定（ジェネラリスト検定）「AIの社会実装に向けて」から、データの収集・加工・分析・学習に関する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） AIの社会実装に向けての要点解説を読む

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16-2

インターネット上で公開されているデータセットを、自社のAIの学習に利用する際の注意点として、最も適切なものを1つ選びなさい。

①著作権法第30条の4があるため、利用規約で禁止されていても学習への利用に問題は生じない。
②データセットに含まれる個人情報は既に公開されたものなので、個人情報保護法の対象外である。
③公開されていても、ライセンスや利用規約で商用利用などが制限されていないかを確認する。
④ダウンロードの際に同意を求められなかったデータセットは、利用条件を確認しなくてよい。

答えと解説を見る

正解 ③公開されていても、ライセンスや利用規約で商用利用などが制限されていないかを確認する。

解説
研究用などとして公開されているデータセットの中には、利用規約やライセンスによって、商用利用の禁止、研究目的に限った利用、出典の表示の義務などの条件が定められているものがあります。インターネット上で自由にダウンロードできるからといって、どのような目的にも使ってよいとは限りません。利用する前に、ライセンスや利用規約を確認し、条件を守って使う必要があります。また、データに個人情報や、第三者の著作物が含まれていないかにも注意が必要です。

他の選択肢が不適切な理由
・第30条の4があるので利用規約で禁止されていても問題ない：第30条の4は著作権の働きを制限する規定で、利用規約に同意して使う場合の約束（契約上の義務）を当然に無効にするものではありません。また、著作権者の利益を不当に害する場合は同条の対象外です。
・公開済みの個人情報は法律の対象外：公開されている情報でも、特定の個人を識別できれば個人情報にあたり、個人情報保護法の規律が及びます。
・同意を求められなければ確認は不要：同意の手続きがなくても、配布ページや添付の文書でライセンスが示されていることがあり、その条件に従う必要があります。

覚え方のポイント
データを使う前の確認事項は「ライセンス・利用規約」「個人情報の有無」「著作物の有無」の3つです。データの出所と利用条件を記録しておくことも、後のトラブルを防ぐために大切です。

問26-2

複数の担当者でデータにアノテーション（正解ラベルの付与）を行う際に、最も留意すべき点として、最も適切なものを1つ選びなさい。

①担当者ごとの判断の違いは、学習時に自然に平均化されるため、基準はそろえなくてよい。
②迷いやすいデータは、作業を速めるために各担当者がその場の判断でラベルを決める。
③同じデータを複数の担当者でラベル付けし、一致の度合いを確かめる手間は省いてよい。
④判断の基準を文書にまとめて担当者の間でそろえ、ラベルのばらつきを確認して調整する。

答えと解説を見る

正解 ④判断の基準を文書にまとめて担当者の間でそろえ、ラベルのばらつきを確認して調整する。

解説
教師あり学習では、正解ラベルの品質がモデルの性能を大きく左右します。複数の担当者でアノテーションを行う場合、担当者ごとに判断の基準がずれると、同じようなデータに異なるラベルが付き、モデルが一貫した判断を学べなくなります。そのため、判断の基準や迷いやすい例をまとめたマニュアルを用意して基準をそろえ、同じデータを複数の担当者にラベル付けさせて一致の度合いを確かめるなど、品質を確認・調整しながら進めることが大切です。

他の選択肢が不適切な理由
・判断の違いは学習時に自然に平均化される：担当者ごとの判断のずれは、偏りとしてモデルに学習されるおそれがあり、自然に打ち消されるとは限りません。
・迷うデータは各担当者がその場で判断する：迷いやすいデータほど担当者ごとの判断がずれやすく、ラベルのばらつきの主な原因になります。迷いやすい例こそ、判断の基準を文書に加えて共有します。
・一致の度合いを確かめる手間は省いてよい：一致の度合いを確かめないと、基準のずれや誤ったラベルに気づけず、それらが混ざったまま学習することになります。

覚え方のポイント
「ゴミを入れればゴミが出てくる（Garbage In, Garbage Out）」はデータ分析の格言です。アノテーションは、手間と費用がかかる一方で、AIの品質を決める重要な工程だと押さえておきましょう。

問36-2

機械学習で「データリーケージ（リーク）」と呼ばれる問題の説明として、最も適切なものを1つ選びなさい。

①予測時には使えないはずの情報が学習に混入し、評価では高い性能が出ても実際には役に立たなくなる。
②学習データが外部に流出して、個人情報の漏えいが起きたことを表す、情報セキュリティの用語である。
③学習データの量が少なすぎて、モデルが学習データの特徴を十分に捉えられない状態を表す用語である。
④学習データに適合しすぎて、未知のデータに対する性能が下がってしまう現象を表す用語である。

答えと解説を見る

正解 ①予測時には使えないはずの情報が学習に混入し、評価では高い性能が出ても実際には役に立たなくなる。

解説
データリーケージ（リーク）は、本来、予測を行う時点では手に入らないはずの情報や、正解そのものに近い情報が、学習データの特徴量に紛れ込んでしまう問題です。たとえば、患者が病気かどうかを予測するモデルで、「その病気の治療薬を処方されたかどうか」を特徴量に入れてしまうと、評価では非常に高い精度が出ますが、診断前の予測には使えません。テストデータの情報が前処理の段階で学習データに混ざる場合も、リークにあたります。評価の数字が良すぎるときは、リークを疑うことが大切です。

他の選択肢が不適切な理由
・学習データが外部に流出する：データの漏えいはセキュリティの問題で、機械学習のデータリーケージとは別の意味です。
・データが少なすぎて特徴を捉えられない：これは未学習（学習不足）などの説明です。
・学習データに適合しすぎて未知のデータで性能が下がる：これは過学習（過剰適合）の説明です。リークでは、評価のデータに対しても不当に高い性能が出てしまう点が異なります。

覚え方のポイント
「リーク＝答えのヒントが混ざってしまうこと」。予測する時点で本当にその特徴量が手に入るかを、1つずつ確認する習慣をつけましょう。

問46-2

陽性のデータが全体のごく一部しかない不均衡データへの対処として、最も不適切なものを1つ選びなさい。

①少ないクラスのデータを増やすオーバーサンプリングを行う
②評価用を分ける前に全体をオーバーサンプリングする
③多いクラスのデータを減らすアンダーサンプリングを行う
④正解率ではなく、再現率やF値などで性能を評価する

答えと解説を見る

正解 ②評価用を分ける前に全体をオーバーサンプリングする

解説
オーバーサンプリングは不均衡データへの有効な対処法ですが、行う順序が重要です。学習用と評価用にデータを分ける前に全体をオーバーサンプリングすると、複製したデータや、元のデータをもとに合成したよく似たデータが、学習用と評価用の両方に入ってしまいます。すると、学習に使ったものとほぼ同じデータで評価することになり（データリーケージ）、評価の数字が実際より良く出てしまいます。オーバーサンプリングは分割した後の学習用のデータだけに行い、評価用のデータは実際と同じ偏った比率のまま残すのが正しい手順です。

他の選択肢が不適切な理由
※この問題は「不適切なもの」を選ぶ問題です。以下は不均衡データへの対処として適切な記述です。
・オーバーサンプリング：少ないクラスのデータを複製したり、既存のデータの間に新しいデータを合成したり（SMOTEなど）して数を増やします。学習用のデータに対して行えば、有効な対処法です。
・アンダーサンプリング：多いクラスのデータを間引いて、クラスの数の偏りを小さくします。
・再現率やF値などで評価する：不均衡データでは、多いクラスだけを予測しても正解率が高くなってしまうため、目的に合った指標で評価します。

覚え方のポイント
不均衡データの対策は「データの量を調整する（オーバー・アンダーサンプリング）」「学習の重みを調整する（少ないクラスの誤りを重く扱う）」「評価指標を選ぶ」の3方向です。データの量の調整は「分割した後の学習用のデータだけ」に行う、と押さえておきましょう。

問56-2

データに欠損値（値が入っていない部分）がある場合の扱いについての説明として、最も適切なものを1つ選びなさい。

①欠損値は平均値で埋めるのが常に最善で、欠損の理由やデータの偏りを確かめる必要はない。
②欠損値を含む行を削除しても、残ったデータの傾向は元のデータの傾向と何も変わらない。
③欠損が生じた理由を確かめ、削除や平均値などによる補完から、データに合った方法を選ぶ。
④欠損値の補完に使う平均値は、評価用のデータも含めた全体のデータから計算するのが望ましい。

答えと解説を見る

正解 ③欠損が生じた理由を確かめ、削除や平均値などによる補完から、データに合った方法を選ぶ。

解説
欠損値の扱い方には、欠損を含む行や列を削除する方法や、平均値・中央値・最頻値などで埋める（補完する）方法、ほかの特徴量から予測して埋める方法などがあります。どの方法が適切かは、データの量や、欠損が生じた理由によって変わります。たとえば、「収入が高い人ほど収入の欄を空欄にしがち」というように欠損に偏りがある場合、単純に削除すると、データの傾向がゆがんでしまうことがあります。欠損していること自体が情報になる場合もあるため、まず欠損の理由を確かめることが大切です。

他の選択肢が不適切な理由
・常に平均値で埋めるのが最善：平均値で埋めるとデータのばらつきが実際より小さく見えたり、欠損に偏りがある場合に傾向がゆがんだりします。どの方法が適切かは、欠損の理由とデータによって変わります。
・削除しても傾向は変わらない：本問の解説の例のように、欠損に偏りがあると、欠損を含む行を削除するだけで、残ったデータの傾向がゆがみます。
・評価用のデータも含めて平均値を計算する：評価用のデータの情報が前処理を通じて学習に混ざり（データリーケージ）、評価が甘くなります。補完に使う値は、学習用のデータだけから計算します。

覚え方のポイント
欠損値の処理は「理由を確かめる → 削除か補完かを選ぶ」の順です。前処理は機械的に行うのではなく、データの意味を考えて判断することが大切です。

問66-2

「都道府県名」のように数値ではないカテゴリのデータを、機械学習のモデルに入力するための変換として、最も適切なものを1つ選びなさい。

①正規化
②標準化
③主成分分析
④ワンホットエンコーディング

答えと解説を見る

正解 ④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（One-hot Encoding）は、カテゴリのデータを、カテゴリの数だけの列を持つ0と1のデータに変換する方法です。たとえば「東京・大阪・愛知」の3つのカテゴリなら、東京を(1,0,0)、大阪を(0,1,0)、愛知を(0,0,1)のように表します。カテゴリに1、2、3のような番号を振って1つの数値として入力すると、モデルが「3は1より大きい」という本来ない大小関係を学んでしまうおそれがありますが、ワンホットエンコーディングならそれを避けられます。

他の選択肢が不適切な理由
・正規化：数値の特徴量の値を、最小値0・最大値1などの範囲にそろえる処理で、カテゴリのデータの変換ではありません。
・標準化：数値の特徴量を、平均0・標準偏差1にそろえる処理です。
・主成分分析：多くの数値の特徴量を、少数の軸にまとめる次元削減の手法です。

覚え方のポイント
「ワンホット＝1か所だけが1（hot）で、ほかは0」。カテゴリの種類が非常に多いと列が増えすぎるため、その場合はほかの変換方法（埋め込みなど）も検討されます。

問76-2

時系列のデータ（たとえば日々の売上）で予測モデルを作るときの、学習データとテストデータの分け方として、最も適切なものを1つ選びなさい。

①時間の順序を保ち、過去の期間で学習し、それより後の期間でテストする。
②時間の順序は無視して、すべてのデータをランダムに混ぜてから分割する。
③季節の偏りを防ぐため、各月から無作為に選んだ日をテストデータにする。
④傾向が変わりやすい直近の期間は、学習にもテストにも使わずに除く。

答えと解説を見る

正解 ①時間の順序を保ち、過去の期間で学習し、それより後の期間でテストする。

解説
時系列のデータで予測モデルを作る目的は、過去のデータから未来を予測することです。そのため、評価のときも、実際の使い方と同じように、ある時点より前の期間のデータで学習し、それより後の期間のデータでテストする必要があります。時間の順序を無視してランダムに分割すると、未来の情報が学習データに混ざってしまい（データリーケージ）、評価では高い精度が出ても、実際の予測では性能が出ないことがあります。

他の選択肢が不適切な理由
・ランダムに混ぜて分割する：未来のデータが学習に混ざり、評価が甘くなってしまいます。
・各月から無作為に選んだ日をテストにする：テストの日より後の日のデータが学習に含まれるため、未来の情報を使って評価することになり、評価が甘くなります。
・直近の期間を除く：実際に予測する時期に最も近い直近のデータは、最新の傾向を含むため、学習にも評価にも重要です。除いてしまうと、最新の傾向を反映した評価ができません。

覚え方のポイント
「時系列の評価＝過去で学び、未来で試す」。時系列のデータで交差検証を行う場合も、学習期間より後の期間で評価するように、時間の順序を保った分け方をします。

問86-2

ある地域の利用者のデータばかりを集めて学習した結果、他の地域の利用者に対してモデルの精度が低くなってしまった。この原因として、最も適切なものを1つ選びなさい。

①学習データの量が多すぎたため、モデルがすべての地域の特徴を覚えすぎてしまった。
②学習データの集め方に偏りがあり、実際の利用者全体の分布を代表できていなかった。
③学習率が大きすぎたため、地域の違いとは関係なく学習そのものが発散してしまった。
④テストデータを使いすぎたため、モデルの重みがテストデータに合わせて変化してしまった。

答えと解説を見る

正解 ②学習データの集め方に偏りがあり、実際の利用者全体の分布を代表できていなかった。

解説
学習データの集め方に偏りがあり、実際にモデルを使う対象の集団の特徴を代表していない状態を、サンプリングバイアス（標本の偏り）といいます。特定の地域の利用者のデータだけで学習したモデルは、その地域の傾向を強く反映するため、傾向の異なる他の地域の利用者に対しては、精度が低くなることがあります。データの偏りは精度の問題だけでなく、特定の属性の人に不利な判断をしてしまう公平性の問題にもつながるため、データを集める段階から注意が必要です。

他の選択肢が不適切な理由
・データの量が多すぎてすべての地域の特徴を覚えすぎた：本問のデータは特定の地域に偏っており、すべての地域の特徴を学んだわけではありません。
・学習率が大きすぎて発散した：学習が発散すれば、地域に関係なく精度が低くなるはずです。
・テストデータを使いすぎて重みが変化した：テストデータは通常、重みの更新には使いません。

覚え方のポイント
「データの偏り → モデルの偏り」。AI倫理の「公平性」の問題の多くは、学習データの偏りから生じます。データを集める段階で、対象の集団をきちんと代表しているかを確かめましょう。

問96-2

分析の初期段階で、グラフや要約統計量を使ってデータの分布や外れ値、項目どうしの関係などを確かめ、データの特徴をつかむ作業として、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探索
②ファインチューニング
③探索的データ分析（EDA）
④モデルの蒸留

答えと解説を見る

正解 ③探索的データ分析（EDA）

解説
探索的データ分析（EDA：Exploratory Data Analysis）は、モデルを作る前の段階で、ヒストグラムや散布図などのグラフ、平均や標準偏差などの要約統計量を使って、データの分布、欠損値や外れ値の有無、項目どうしの関係などを確かめ、データの特徴をつかむ作業です。EDAによって、前処理として何をすべきか、どのような特徴量が役に立ちそうか、データに偏りや誤りがないかを把握できます。CRISP-DMでは「データの理解」の段階にあたります。

他の選択肢が不適切な理由
・ハイパーパラメータ探索：学習率などの学習前に設定する値の、よい組み合わせを探す作業です。
・ファインチューニング：学習済みのモデルを、新しい課題のデータで追加学習して調整する方法です。
・モデルの蒸留：大きなモデルの出力をまねるように、小さなモデルを学習させる軽量化の手法です。

覚え方のポイント
「まずデータを見る（EDA）」はデータ分析の基本です。いきなりモデルを作り始めず、データの特徴と問題点を把握してから進めることが、結果的に近道になります。

問106-2

「特徴量エンジニアリング」の説明として、最も適切なものを1つ選びなさい。

①学習を終えたモデルを、実際のシステムに組み込んで運用していく作業
②データに正解ラベルを付けるために、担当者を集めて教育していく作業
③モデルの重みを少ないビット数で表して、計算を軽くするための作業
④業務の知識をもとに、予測に役立つ特徴量を作ったり選んだりする作業

答えと解説を見る

正解 ④業務の知識をもとに、予測に役立つ特徴量を作ったり選んだりする作業

解説
特徴量エンジニアリングは、元のデータから、予測に役立つ特徴量を作り出したり、役に立つものを選んだりする作業です。たとえば、購入日時のデータから「曜日」「祝日かどうか」「前回の購入からの日数」を作る、住所から「最寄り駅までの距離」を作る、といったことです。業務の知識（ドメイン知識）を活かして良い特徴量を作ると、同じ手法でもモデルの性能が大きく向上することがあります。ディープラーニングは特徴量を自動で学習できますが、表形式のデータでは、特徴量エンジニアリングが今も重要な役割を果たしています。

他の選択肢が不適切な理由
・モデルを実際のシステムに組み込んで運用する：これは展開・運用の作業で、MLOpsなどの領域です。
・正解ラベルを付ける担当者を教育する：これはアノテーションの体制づくりの話です。
・重みを少ないビット数で表して計算を軽くする：これはモデルの軽量化の手法である量子化の説明です。

覚え方のポイント
「特徴量エンジニアリング＝予測の手がかりを作り出す工夫」。ドメインエキスパートの知恵が最も活きる工程の一つです。

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。