はじめに
この記事は、G検定合格を目指すための実践的な問題集「100本ノック」の第二弾です。 第一弾の「AIの歴史と法律・倫理編」に続き、今回は、G検定の試験範囲の中核をなす「機械学習の基礎と、その主要な手法」に関する20問です。
この分野の理解度が、合否を、直接左右すると言っても、過言ではありません。 それでは、始めましょう。
関連記事
-
-
【G検定】G検定（2025年9月試験）の結果・傾向分析と今後の戦略
2025/9/29
-
-
【G検定100本ノック①】AIの歴史と法律・倫理編 - 頻出問題20選
2025/9/29
-
-
【G検定100本ノック②】機械学習の基礎と主要な手法編 - 頻出問題20選
2025/9/29
-
-
【G検定100本ノック④】AIの応用分野と最新動向編 - 頻出問題20選
2025/9/29
-
-
【G検定100本ノック⑤】最終確認・総合問題編 - 頻出問題20選
2025/9/29
問題1
機械学習の学習方法のうち、入力データと、それに対応する「正解ラベル」を、セットで与え、モデルにその関係性を、学習させる手法を、何と呼ぶか。
A. 教師なし学習
B. 強化学習
C. 教師あり学習
D. 半教師あり学習
問題2
機械学習の学習方法のうち、正解ラベルが、与えられていない、大量のデータから、そのデータに、潜む、構造や、パターンを、モデル自身が、見つけ出す手法を、何と呼ぶか。
A. 教師あり学習
B. 強化学習
C. 教師なし学習
D. 転移学習
問題3
あるエージェントが、ある「環境」の中で、試行錯誤しながら、自らの「行動」を選択し、その結果として、得られる「報酬」を、最大化するように、学習していく手法を、何と呼ぶか。
A. 教師あり学習
B. 強化学習
C. 教師なし学習
D. 表現学習
問題4
教師あり学習の、代表的なタスクの一つで、データを、あらかじめ、定義された、二つ以上の、クラス（カテゴリ）に、分類する問題を、何と呼ぶか。
A. 回帰
B. 分類
C. クラスタリング
D. 次元削減
問題5
教師あり学習の、代表的なタスクの一つで、入力データから、連続的な「数値」を、予測する問題を、何と呼ぶか。
A. 回帰
B. 分類
C. クラスタリング
D. 異常検知
問題6
学習用のデータに、過剰に、適合してしまい、未知のデータに対して、うまく、予測ができなくなってしまう、現象のことを、何と呼ぶか。
A. 過学習（オーバーフィッティング）
B. 未学習（アンダーフィッティング）
C. 勾配消失問題
D. 敵対的サンプル
問題7
学習データと、検証データ、テストデータへの、分割に関する記述として、最も、適切なものを一つ選べ。
A. 学習データは、モデルの、最終的な性能を、評価するために、使う。
B. 検証データは、ハイパーパラメータの、調整のために、使う。
C. テストデータは、モデルの、学習そのものに、使う。
D. すべてのデータを、学習に使うのが、最も、性能が高くなる。
問題8
モデルの、複雑さが増し、過学習が、起きるのを、防ぐために、損失関数に、ペナルティ項を、加える手法の総称を、何と呼ぶか。
A. 交差検証
B. 正則化
C. アンサンブル学習
D. データ拡張
問題9
複数の、異なるモデルを、組み合わせることで、単一のモデルよりも、高い性能を、目指す手法の総称を、何と呼ぶか。
A. 転移学習
B. アンサンブル学習
C. 表現学習
D. ファインチューニング
問題10
ある、タスクで、学習させた、学習済みのモデルを、別の、関連するタスクに、応用・再利用する手法を、何と呼ぶか。
A. 転移学習
B. 強化学習
C. 教師なし学習
D. 未学習
問題11
教師なし学習の、代表的な手法の一つで、データを、似た者同士の、グループ（クラスタ）に、自動的に、分ける手法を、何と呼ぶか。
A. 主成分分析
B. k-means法（k平均法）
C. 線形回帰
D. 決定木
問題12
データの、次元（特徴量の数）を、できるだけ、情報の損失を、抑えながら、より少ない、次元に、圧縮する手法の総称を、何と呼ぶか。
A. クラスタリング
B. 次元削減
C. 分類
D. 回帰
問題13
決定木学習において、木の、深さが、深くなりすぎ、学習データに、過剰に、適合してしまう、過学習を、防ぐための、操作を、何と呼ぶか。
A. 枝刈り
B. 節の分割
C. 情報利得の計算
D. 特徴量の選択
問題14
多数の、決定木を、組み合わせた、アンサンブル学習の手法で、分類と、回帰の、両方に、用いられ、高い性能を、示すことで知られる、アルゴリズムは何か。
A. k-NN法
B. サポートベクターマシン
C. ランダムフォレスト
D. ロジスティック回帰
問題15
入力された、データ点との、距離が、最も近い「k個」の、学習データを、見つけ、その、多数決によって、クラスを、予測する、分類の手法を、何と呼ぶか。
A. k-means法
B. k-NN法（k近傍法）
C. 決定木
D. ナイーブベイズ
問題16
学習データを「サポートベクター」と呼ばれる、境界線上の、データ点のみを、用いて、クラス間の、マージン（余白）が、最大になるように、分類境界を、決定する、機械学習の手法は何か。
A. ロジスティック回帰
B. サポートベクターマシン（SVM）
C. 主成分分析（PCA）
D. 決定木
問題17
学習データの、評価方法の一つで、データを、複数のグループに、分割し、そのうちの一つを、テストデータ、残りを、学習データとして、モデルの評価を、繰り返し、その平均で、性能を、測る手法を、何と呼ぶか。
A. ホールドアウト法
B. 交差検証法（クロスバリデーション）
C. ブートストラップ法
D. グリッドサーチ
問題18
モデルの、性能評価指標の一つで、すべての、予測のうち、正しく、予測できたものの、割合を、示す指標は何か。
A. 正解率（Accuracy）
B. 適合率（Precision）
C. 再現率（Recall）
D. F値（F-measure）
問題19
モデルの、性能評価指標の一つで、「陽性」と予測したもののうち、実際に「陽性」であったものの、割合を示す指標は何か。
A. 正解率（Accuracy）
B. 適合率（Precision）
C. 再現率（Recall）
D. F値（F-measure）
問題20
モデルの、性能評価指標の一つで、実際に「陽性」であるもののうち、モデルが「陽性」と予測できたものの、割合を示す指標は何か。
A. 正解率（Accuracy）
B. 適合率（Precision）
C. 再現率（Recall）
D. F値（F-measure）