【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

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

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

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

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

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

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

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。

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

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

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

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

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

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

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

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

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

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

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）

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）

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）