ぴよパス機械学習の概要
全 435 問・解説・間違えた問題の解き直しは登録不要・無料。模試・「今日の復習」などは Premium (月480円)全 435 問に加えて、「今日の復習」・本番形式の模試・記録の全科目の正答率・広告非表示をご利用中です
- 正解済みまだ正解していませんQ1初級
教師あり学習の課題のうち、回帰問題として扱うのが最も適切なものはどれか。
解説: 肢2が正解です。An Introduction to Statistical Learning（James ほか）は、目的変数が数量（量的変数）である問題を回帰問題、いくつかのクラスのどれかをとる質的変数である問題を分類問題と呼び分けています。配達にかかる時間は数量なので回帰問題…
関連キーワード: 回帰問題・分類問題・多クラス分類・教師あり学習
- 正解済みまだ正解していませんQ2初級
線形回帰における単回帰分析と重回帰分析の違いの説明として、最も適切なものはどれか。
解説: 肢4が正解です。An Introduction to Statistical Learning（James ほか）は、1つの説明変数 X で目的変数 Y を Y ≈ β0 + β1X と表すものを単回帰、p 個の説明変数で Y = β0 + β1X1 + … + βpXp + ε…
関連キーワード: 単回帰分析・重回帰分析・線形回帰・多重共線性
- 正解済みまだ正解していませんQ3中級
ロジスティック回帰の説明として、最も適切なものはどれか。
解説: 肢1が正解です。An Introduction to Statistical Learning（James ほか）によると、ロジスティック回帰は p(X) = e^(β0+β1X) ÷ (1 + e^(β0+β1X)) というロジスティック関数（シグモイド関数）で、どんな X に…
関連キーワード: ロジスティック回帰・分類問題・シグモイド関数・対数オッズ
- 正解済みまだ正解していませんQ4中級
サポートベクターマシン（SVM）に関する次の文の（ A ）（ B ）に入る語の組合せとして、最も適切なものはどれか。 SVMは、クラスを分ける境界から最も近い訓練データまでの距離である（ A ）が最大になるように境界を決める。非線形な境界が必要な場合は、入力を高次元の空間へ写像したときの内積を（ B ）で直接計算し、写像そのものを明示的に求めずに学習する。
解説: 肢3が正解です。An Introduction to Statistical Learning 第9章は、境界から最も近い訓練データまでの距離 M をマージンと呼び、M を最大にする境界を選ぶとしています。境界を決めるのは、マージンの縁上の点と、マージンの内側や境界の反対側に入っ…
関連キーワード: サポートベクターマシン・マージン最大化・カーネル・カーネルトリック
- 正解済みまだ正解していませんQ5初級
ランダムフォレストの説明として、最も適切なものはどれか。
解説: 肢4が正解です。ランダムフォレストを提案した Breiman（2001）の論文では、元の訓練データから復元抽出で作った訓練データ（ブートストラップ標本）ごとに木を育て、各ノードの分割では無作為に選んだ少数の入力変数の中から分割を選び、木は枝刈りしません。分類では木の投票（多数決）…
関連キーワード: ランダムフォレスト・決定木・ブートストラップサンプリング・アンサンブル学習
- 正解済みまだ正解していませんQ6上級
アンサンブル学習のバギングとブースティングに関する説明として、最も不適切なものはどれか。
解説: 肢3が不適切です。An Introduction to Statistical Learning（James ほか）第8章は、バギングでは木の数を大きくしても過学習にはつながらない一方、ブースティングは木の数が多すぎると過学習し得るため、木の数を交差検証で選ぶと説明しています。肢…
関連キーワード: バギング・ブースティング・勾配ブースティング・アンサンブル学習
- 正解済みまだ正解していませんQ7中級
時系列データの自己回帰モデル（ARモデル）とベクトル自己回帰モデル（VARモデル）の説明として、最も適切なものはどれか。
解説: 肢4が正解です。Forecasting: Principles and Practice（Hyndman・Athanasopoulos、第3版）は、自己回帰モデルを、予測したい変数の過去の値の線形結合で予測するモデル（変数の自分自身への回帰）とし、次数 p のモデル AR(p) …
関連キーワード: 自己回帰モデル・ベクトル自己回帰モデル・ARモデル・VARモデル
- 正解済みまだ正解していませんQ8初級
k-means法（k平均法）の説明として、最も適切なものはどれか。
解説: 肢2が正解です。An Introduction to Statistical Learning（James ほか）第12章のアルゴリズムでは、まず各データに1〜Kの番号を無作為に割り当て、各クラスタの重心（特徴量の平均）を計算し、各データを最も近い重心のクラスタへ割り当て直す手順…
関連キーワード: k-means法・クラスタリング・教師なし学習
- 正解済みまだ正解していませんQ9中級
階層的クラスタリングに関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A 凝集型の階層的クラスタリングは、各データを1つのクラスタとして始め、最も似ている2つのクラスタを順に併合していく。 B デンドログラムを切る高さを変えれば、1回の計算結果から異なる数のクラスタ分けが得られるので、k-means法と違ってクラスタ数を事前に決めておく必要がない。 C ウォード法は、2つのクラスタの間で最も近いデータどうしの距離をクラスタ間の距離として、それが最小の組を併合する方法である。 D デンドログラムでは、横方向に隣り合って並んでいるデータどうしほど互いに似ていると読み取れる。
解説: 肢3が正解です。Aは適切です。An Introduction to Statistical Learning（James ほか）第12章の凝集型（ボトムアップ）の手順は、各データを1つのクラスタとして始め、最も似た2つを併合することを全体が1つになるまで繰り返します。Bも適切です…
関連キーワード: ウォード法・デンドログラム・階層的クラスタリング・k-means法
- 正解済みまだ正解していませんQ10中級
4つの変数からなるデータに主成分分析を行ったところ、第1〜第4主成分の分散がそれぞれ 2.4、0.9、0.5、0.2 になった（分散の合計は 4.0）。第2主成分までの累積寄与率として、最も適切なものはどれか。
解説: 肢1が正解です。各主成分の寄与率は「その主成分の分散 ÷ 分散の合計」で、An Introduction to Statistical Learning（James ほか）の言う分散説明率（PVE）に当たります。第1主成分から順に寄与率を足したものが累積寄与率です。式は 累積寄与…
関連キーワード: 主成分分析・寄与率・累積寄与率・次元削減
- 正解済みまだ正解していませんQ11上級
t-SNEに関する説明として、最も不適切なものはどれか。
解説: 肢4が不適切です。t-SNE を提案した van der Maaten と Hinton（2008）の論文は、低次元の地図側で正規分布ではなく裾の重い自由度1のスチューデントの t 分布を使い、点が地図の中心に押し込められる「混雑問題（crowding problem）」を和らげ…
関連キーワード: t-SNE・次元削減・多次元尺度構成法・主成分分析
- 正解済みまだ正解していませんQ12初級
レコメンドに使われる協調フィルタリングの説明として、最も適切なものはどれか。
解説: 肢2が正解です。Mining of Massive Datasets（Leskovec・Rajaraman・Ullman）第9章は、推薦システムを、商品の性質に注目するコンテンツベースのものと、利用者と商品の関係に注目する協調フィルタリングに大別し、評価の行列の上で似た利用者を見…
関連キーワード: 協調フィルタリング・コンテンツベースフィルタリング・レコメンデーションエンジン
- 正解済みまだ正解していませんQ13上級
トピックモデルの代表的な手法であるLDA（潜在的ディリクレ配分法）の説明として、最も適切なものはどれか。
解説: 肢4が正解です。LDA を提案した Blei・Ng・Jordan（2003）の論文は、文書を潜在的なトピックの無作為な混合として表し、各トピックを単語の分布として特徴づける生成的な確率モデルとして LDA を説明しています。トピックの割合は文書ごとに、各単語のトピックは単語ごとに…
関連キーワード: トピックモデル・潜在的ディリクレ配分法・LDA・教師なし学習
- 正解済みまだ正解していませんQ14初級
ビルの空調を強化学習で制御する例について、強化学習の要素の対応や学習の仕方の説明として、最も適切なものはどれか。
解説: 肢2が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）は、学習し意思決定する主体をエージェント、それ以外を環境とし、エージェントは環境の状態を受け取って行動を選び、環境は次の状態と報酬（数値）を返…
関連キーワード: 強化学習・マルコフ決定過程・エージェント・報酬
- 正解済みまだ正解していませんQ15中級
強化学習の収益に関する次の文の（ A ）（ B ）に入る語句の組合せとして、最も適切なものはどれか。 エージェントは、時刻 t より後に受け取る報酬を G_t = R_(t+1) + γR_(t+2) + γ²R_(t+3) + … のように足し合わせた収益を最大にするように行動を選ぶ。γ は（ A ）と呼ばれて0以上1以下の値をとり、γ を（ B ）ほど、遠い将来の報酬を重く見る行動の選び方になる。
解説: 肢1が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）3.3節は、収益を G_t = R_(t+1) + γR_(t+2) + γ²R_(t+3) + … と定義し、0 ≤ γ ≤ 1 のパラメー…
関連キーワード: 割引率・収益・マルコフ決定過程
- 正解済みまだ正解していませんQ16中級
多腕バンディット問題と、そこで使われる行動選択の方策に関する説明として、最も不適切なものはどれか。
解説: 肢3が不適切です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）第2章では、ε-greedy 方策は、ほとんどの場合は推定値が最大の行動（貪欲な行動）を選び、小さな確率 ε で推定値に関係なく全行動から等…
関連キーワード: バンディットアルゴリズム・ε-greedy方策・UCB方策・探索と活用
- 正解済みまだ正解していませんQ17中級
Q学習とSARSAの違いの説明として、最も適切なものはどれか。
解説: 肢1が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）第6章によると、SARSA は Q(S_t, A_t) を R_(t+1) + γQ(S_(t+1), A_(t+1)) に近づけるように更新…
関連キーワード: Q学習・SARSA・行動価値関数・方策オフ・方策オン
- 正解済みまだ正解していませんQ18中級
強化学習の方策ベースの手法に関する説明として、最も適切なものはどれか。
解説: 肢3が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）第13章は、方策勾配法を、価値関数を参照せずに行動を選べるパラメータつきの方策を、性能指標の勾配の方向に更新する手法として説明し、方策と価値関…
関連キーワード: 方策勾配法・REINFORCE・Actor-Critic・行動価値関数
- 正解済みまだ正解していませんQ19初級
ある2値分類モデルをテストデータ200件で評価したところ、真陽性（実際に陽性で陽性と予測）が42件、偽陽性（実際は陰性で陽性と予測）が14件、偽陰性（実際は陽性で陰性と予測）が18件、真陰性（実際に陰性で陰性と予測）が126件だった。このモデルの正解率（accuracy）として、最も適切なものはどれか。
解説: 肢2が正解です。正解率は、予測が正しかった件数を全件数で割った割合です（scikit-learn のユーザーガイドにある正解率の定義）。式は 正解率 = (真陽性 + 真陰性) ÷ 全件数、代入すると (42 + 126) ÷ 200 = 168 ÷ 200、結果は 0.84 =…
関連キーワード: 正解率・混同行列・真陽性・真陰性・偽陽性・偽陰性
- 正解済みまだ正解していませんQ20中級
ある2値分類モデルの評価で、真陽性が30件、偽陽性が20件、偽陰性が45件だった。このモデルのF値（F1スコア。適合率と再現率の調和平均）として、最も適切なものはどれか。
解説: 肢1が正解です。scikit-learn のユーザーガイドは、適合率 = 真陽性 ÷ (真陽性 + 偽陽性)、再現率 = 真陽性 ÷ (真陽性 + 偽陰性) と定義し、F値を適合率と再現率の調和平均としています。適合率は 30 ÷ (30 + 20) = 0.6、再現率は 30 …
関連キーワード: F値・適合率・再現率・調和平均
もっと見る（残り 31 問）
- 正解済みまだ正解していませんQ21上級
モデルの選択と評価に関する説明として、最も不適切なものはどれか。
解説: 肢4が不適切です。The Elements of Statistical Learning（Hastie ほか）第7章は、データを学習用・検証用・テスト用に分け、テストデータは分析の最後まで使わずにおくのが理想で、テスト誤差が最小のモデルを繰り返し選ぶと、選んだモデルのテスト誤差…
関連キーワード: ホールドアウト検証・k-分割交差検証・ベイズ情報量規準・オッカムの剃刀・汎化性能
- 正解済みまだ正解していませんQ22中級
決定木の分割の良さを測る指標の1つにジニ不純度がある。あるノードに8件のデータがあり、クラスAが6件、クラスBが2件であった。このノードのジニ不純度として、最も適切なものはどれか。
解説: 肢2が正解です。scikit-learn のユーザーガイド（決定木の章）は、ノードの中でクラス k が占める割合を p_k として、ジニ不純度を Σ p_k(1 − p_k) と定義しています（1 − Σ p_k² と同じ値）。割合は A が 6 ÷ 8 = 0.75、B が 2…
関連キーワード: 決定木・ジニ不純度・エントロピー・分類問題
- 正解済みまだ正解していませんQ23中級
2値分類の分類器を組み合わせて、K個（Kは3以上）のクラスを見分ける多クラス分類を行う方法に関する説明として、最も適切なものはどれか。
解説: 肢1が正解です。scikit-learn のユーザーガイド（多クラス分類の章）によると、one-vs-rest（one-vs-all）はクラスごとに1つの分類器を作ってそのクラスを他のクラスと見分けるので、分類器は K 個で済みます。one-vs-one はクラスの組ごとに分類器…
関連キーワード: 多クラス分類・one-vs-rest・one-vs-one・分類問題
- 正解済みまだ正解していませんQ24中級
ソフトマージンのサポートベクターマシン（SVM）では、マージンの内側や反対側に入った訓練データのはみ出しの量（スラック変数）の和に係数Cを掛けたものを、最小化する目的関数に加える。このCに関する説明として、最も不適切なものはどれか。
解説: 肢3が不適切です。scikit-learn のユーザーガイド（SVM の章）は、C は訓練データの誤分類と境界の単純さとの釣り合いをとる値で、C が小さいと境界はなめらかになり、大きいと訓練データを正しく分けることを目指すとしています。The Elements of Statis…
関連キーワード: サポートベクターマシン・ソフトマージン・正則化・交差検証
- 正解済みまだ正解していませんQ25初級
ある回帰モデルで4件のデータを予測したところ、実測値 10、12、8、15 に対して、予測値はそれぞれ 11、11、11、10 であった。このときの MAE と RMSE の値の組合せとして、最も適切なものはどれか。
解説: 肢1が正解です。scikit-learn のユーザーガイド（評価指標の章）は、MAE を誤差の絶対値の平均、MSE を誤差の二乗の平均と定義し、MSE の平方根を RMSE と呼んで、目的変数と同じ単位の指標としています。誤差（予測値 − 実測値）は 1、−1、3、−5 です。M…
関連キーワード: MAE・RMSE・MSE・回帰問題
- 正解済みまだ正解していませんQ26中級
ROC曲線は、分類のしきい値を動かしながら、横軸に偽陽性率、縦軸に真陽性率をとって描く曲線である。ある2値分類モデルが、実際に陽性の2件に 0.9 と 0.4、実際に陰性の4件に 0.7、0.3、0.2、0.1 のスコア（陽性らしさ）を出した。このモデルの AUC（ROC曲線の下側の面積）として、最も適切なものはどれか。
解説: 肢4が正解です。Google の Machine Learning Crash Course は、AUC を、無作為に選んだ陽性と陰性の1組について、モデルが陽性のほうを上位に順位づける確率と説明しています。陽性2件 × 陰性4件 = 8組のうち、陽性のスコアが陰性より高い組を数…
関連キーワード: ROC曲線・AUC・偽陽性率・真陽性率
- 正解済みまだ正解していませんQ27中級
ある病気の一次検査で、モデルが出す陽性らしさのスコアがしきい値以上なら陽性と判定する。しきい値の変更と、適合率・再現率の関係に関する説明として、最も適切なものはどれか。
解説: 肢3が正解です。Google の Machine Learning Crash Course は、適合率は偽陽性が減ると、再現率は偽陰性が減ると良くなる一方、しきい値を上げると偽陽性は減り偽陰性は増えやすく、下げるとその逆になるため、両者は一方を良くすると他方が悪くなる関係になり…
関連キーワード: 適合率・再現率・混同行列・偽陽性・偽陰性
- 正解済みまだ正解していませんQ28中級
二乗誤差で評価する回帰で、ある入力に対する期待予測誤差（テスト誤差）を「既約誤差 + バイアスの二乗 + バリアンス」に分けて考えるときの説明として、最も適切なものはどれか。
解説: 肢4が正解です。The Elements of Statistical Learning（Hastie ほか）7.3節は、Y = f(X) + ε の回帰で、ある点での期待予測誤差を「既約誤差 + バイアスの二乗 + バリアンス」に分解し、モデルを複雑にするほどバイアス（の二乗）…
関連キーワード: バイアス・バリアンス・汎化誤差・過学習
- 正解済みまだ正解していませんQ29初級
推薦システムにおけるコールドスタート問題の説明として、最も適切なものはどれか。
解説: 肢2が正解です。スタンフォード大学の講義 CS246（Mining Massive Datasets）の推薦システムの資料は、評価の行列が疎であることと並べて、コールドスタート（新しい商品には評価がなく、新しい利用者には履歴がない）を推薦の主要な問題に挙げています。協調フィルタリ…
関連キーワード: コールドスタート問題・レコメンデーションエンジン・協調フィルタリング
- 正解済みまだ正解していませんQ30上級
利用者 × 商品の評価の行列に、特異値分解（SVD）などの行列分解を使って推薦を行う考え方の説明として、最も適切なものはどれか。
解説: 肢1が正解です。Mining of Massive Datasets（Leskovec ほか）11.3節は、SVD で行列 M を U・Σ・Vᵀ の積に分け、U が行（利用者）と概念を、V が列（映画）と概念を結び、Σ の対角成分である特異値が各概念の強さを表すと説明しています。…
関連キーワード: 特異値分解・レコメンデーションエンジン・次元削減・行列分解
- 正解済みまだ正解していませんQ31中級
次の文の（ A ）（ B ）に入る語句の組合せとして、最も適切なものはどれか。 20曲について、聴いた人が2曲ずつ比べて「どのくらい似ていないか」を点数で答えた表があるが、各曲の特徴量の値は手元にない。この表から、似た曲どうしが近くに並ぶ2次元の図を作りたい。このような場合に使える手法に（ A ）がある。（ A ）は、元の非類似度と図の上の点どうしの距離との食い違いを表す（ B ）が小さくなるように、点の配置を求める。
解説: 肢4が正解です。The Elements of Statistical Learning（Hastie ほか）14.8節は、多次元尺度構成法（MDS）について、データ点そのものが無く、試飲した人が判断した違いのような非類似度 d_ij だけがある場合にも使え、MDS が必要とする…
関連キーワード: 多次元尺度構成法・次元削減・非類似度
- 正解済みまだ正解していませんQ32上級
Q学習で、状態 s で行動 a をとったところ報酬 1 を受け取り、状態 s′ に移った。更新前の推定は Q(s, a) = 2 である。s′ での行動価値の推定は行動 a1 が 4、行動 a2 が 2 で、ε-greedy 方策により s′ で次に実際に選ばれた行動は a2 だった。学習率 α = 0.5、割引率 γ = 0.9 のとき、この1回の更新後の Q(s, a) として、最も適切なものはどれか。
解説: 肢2が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）6.5節の Q学習の更新式は Q(S, A) ← Q(S, A) + α[R + γ max_a Q(S′, a) − Q(S, A)] です…
関連キーワード: Q学習・SARSA・行動価値関数・割引率
- 正解済みまだ正解していませんQ33初級
次の文の（ A ）（ B ）に入る語句の組合せとして、最も適切なものはどれか。 方策 π に従って行動するとき、状態 s から始めて得られる収益の期待値を（ A ）、状態 s で行動 a をとり、その後は π に従うときの収益の期待値を（ B ）という。状態 s における（ A ）の値は、各行動を選ぶ確率 π(a|s) で（ B ）を重み付けして足し合わせたものに等しい。
解説: 肢3が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）3.5節は、方策 π のもとで状態 s から始めたときの期待収益 vπ(s) を状態価値関数、状態 s で行動 a をとってその後 π に従う…
関連キーワード: 状態価値関数・行動価値関数・方策・強化学習
- 正解済みまだ正解していませんQ34初級
強化学習の枠組みであるマルコフ決定過程で仮定される、マルコフ性の説明として、最も適切なものはどれか。
解説: 肢2が正解です。Sutton と Barto の Reinforcement Learning: An Introduction（第2版）3.1節は、マルコフ決定過程では各時刻の状態と報酬の値の確率が直前の状態と行動に依存し、それらが与えられればそれより前の状態と行動には依存しな…
関連キーワード: マルコフ性・マルコフ決定過程・強化学習
- 正解済みまだ正解していませんQ35初級
学習の途中で訓練誤差と検証誤差を見て、未学習（アンダーフィッティング）と過学習を見分けて対処するときの説明として、最も不適切なものはどれか。
解説: 肢1が不適切です。Deep Learning（Goodfellow ほか）5.2節は、未学習を訓練データで十分に小さい誤差が得られない状態、過学習を訓練誤差とテスト誤差の差が大きすぎる状態とし、モデルの容量（表現力）を変えることでどちらが起こりやすいかを調整できると説明しています…
関連キーワード: 未学習・過学習・汎化性能・正則化
- 正解済みまだ正解していませんQ36上級
ある店舗の3年分の日次売上データで翌週の売上を予測するモデルを作り、交差検証で性能を見積もる。データの分け方に関する説明として、最も不適切なものはどれか。
解説: 肢3が不適切です。scikit-learn のユーザーガイド（交差検証の章）は、時系列データでは時間の近い観測どうしに相関（自己相関）があり、観測が独立で同じ分布に従うことを前提とする通常の k 分割などを使うと、学習データと検証データの間に不当な相関が生じて汎化誤差の見積もりが…
関連キーワード: k-分割交差検証・時系列データ・汎化性能・データリーケージ
- 正解済みまだ正解していませんQ37中級
バギングやランダムフォレストで使われるブートストラップ標本とOOB（out-of-bag）に関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A 各木の学習に使うブートストラップ標本は、元の訓練データと同じ件数を復元抽出で作るため、1回も選ばれないデータが残り、平均すると元のデータのおよそ3分の1がそれに当たる。 B あるデータのOOB予測は、そのデータを学習に使った木の予測を集め、平均や多数決でまとめて作る。 C 木の本数が十分に多ければ、OOB誤差は1個抜き交差検証（データ数と同じ数に分ける交差検証）の誤差とほぼ同じになり、木を増やしながら汎化誤差を見積もれる。 D OOB誤差を求めるには、ブートストラップ標本の元になる訓練データとは別に、検証用のデータを取り分けておく必要がある。
解説: 肢1が正解です。Aは適切です。An Introduction to Statistical Learning（James ほか）8.2節は、バギングの各木はブートストラップ標本で学習するので平均して約3分の2のデータしか使わず、残りの約3分の1を OOB データと呼ぶと説明してい…
関連キーワード: ブートストラップサンプリング・ランダムフォレスト・バギング・アンサンブル学習
- 正解済みまだ正解していませんQ38初級
ある不動産会社が、中古マンションの物件データにある「価格（円）」「専有面積（㎡）」「築年数（年）」「最寄り駅からの徒歩時間（分）」の4つの変数に主成分分析を行い、物件の特徴を少数の成分で表したい。価格は数千万円の桁の値で、分散がほかの変数よりけた違いに大きい。このときの扱いとして、最も適切なものはどれか。
解説: 肢4が正解です。An Introduction to Statistical Learning（James ほか）12.2.4節は、主成分分析の結果は各変数を個別に定数倍したかどうかで変わると説明し、単位の違う変数を標準化せずに分析すると、分散が飛び抜けて大きい変数に第1主成分の…
関連キーワード: 主成分分析・標準化・次元削減・教師なし学習
- 正解済みまだ正解していませんQ39初級
ある小売チェーンが、店舗ごとの月の売上Yを、チラシの配布枚数X1、店舗の床面積X2、近隣の人口X3で説明する重回帰モデル Y＝β0＋β1X1＋β2X2＋β3X3＋ε（εは誤差）を、最小二乗法で推定した。係数β1の読み方として、最も適切なものはどれか。
解説: 「床面積と近隣の人口を一定に保ったまま、配布枚数を1枚増やしたときの売上の平均的な変化」が適切です。An Introduction to Statistical Learning（Jamesほか）3.2節は、重回帰の係数βjを、ほかの説明変数を固定したままXjを1単位増やしたとき…
関連キーワード: 重回帰分析・単回帰分析・線形回帰
- 正解済みまだ正解していませんQ40上級
時系列データの自己回帰モデルのうち、1期前の値を使うAR(1)モデル y_t＝c＋φ_1y_(t−1)＋ε_t（ε_tは白色雑音）に関する説明として、最も適切なものはどれか。
解説: 「φ_1が負だと平均のまわりで上下に振動しやすく、…−1＜φ_1＜1の範囲に制約する」が適切です。HyndmanとAthanasopoulosの『Forecasting: Principles and Practice』第3版9.3節は、AR(1)でφ_1が負なら平均のまわりで振…
関連キーワード: 自己回帰モデル・ARモデル・回帰問題
- 正解済みまだ正解していませんQ41初級
決定木の長所と短所に関する説明として、最も不適切なものはどれか。
解説: 「尺度の大きい特徴量ほど分岐に選ばれやすい」が不適切です。決定木は、特徴量としきい値の組のうち不純度や誤差を最も減らすものを選んで分けます。しきい値の候補は値を並べた隣どうしの中点なので、値の大小の順序を変えない標準化では、しきい値の数値が変わるだけで分け方はほぼ変わりません。s…
関連キーワード: 決定木・アンサンブル学習・分類問題
- 正解済みまだ正解していませんQ42中級
ランダムフォレストなどの木のモデルで、分割による不純度の減少から求める特徴量の重要度（MDI）の注意点として、最も適切なものはどれか。
解説: 「訓練データの統計から求めるので…値の種類が多い特徴量を高く評価しやすい」が適切です。scikit-learnのユーザーガイド1.11.2.5節は、不純度にもとづく重要度には、訓練データの統計から計算するので検証用のデータでの予測に効く特徴量を示すとは限らないことと、値の種類の多…
関連キーワード: ランダムフォレスト・決定木・アンサンブル学習
- 正解済みまだ正解していませんQ43中級
勾配ブースティングで、各回に加える弱学習器の寄与に定数ν（学習率）を掛けて小さくする縮小（shrinkage）と、各回に訓練データの一部を使って学習する部分標本化（subsampling）に関する説明として、最も適切なものはどれか。
解説: 「学習率を小さくすると要る弱学習器の数は増えるが、テスト誤差はよくなりやすい」が適切です。scikit-learnのユーザーガイド1.11.1.2.5節は、学習率を小さくすると同じ訓練誤差を保つのにより多くの弱学習器が要ること、経験的には小さい学習率のほうがテスト誤差がよくなりや…
関連キーワード: 勾配ブースティング・ブースティング・アンサンブル学習
- 正解済みまだ正解していませんQ44中級
RBFカーネル exp(−γ‖x−x′‖²) を使うサポートベクターマシン（SVM）のハイパーパラメータγ（gamma）に関する説明として、最も適切なものはどれか。
解説: 「γは1つの訓練データの影響が及ぶ範囲を決め、大きすぎると…過学習しやすい」が適切です。scikit-learnのユーザーガイド1.4.6.1節は、γは1つの訓練データがどの程度影響するかを決め、γが大きいほど影響を受けるには近くにいる必要があると説明しています。同じくsciki…
関連キーワード: サポートベクターマシン・カーネル・カーネルトリック
- 正解済みまだ正解していませんQ45中級
k-means法が最小化するクラスタ内の二乗距離の和（慣性、inertia）に関する説明として、最も不適切なものはどれか。
解説: 「細長いクラスタや形の不規則なクラスタもうまく分けられる」が不適切です。scikit-learnのユーザーガイド2.3.2節は、慣性はクラスタが凸で等方的だという前提を置いており、細長いクラスタや不規則な形の多様体にはうまく対応できないと述べています。「凸で…等方的である」という…
関連キーワード: k-means法・クラスタリング・主成分分析・次元削減
- 正解済みまだ正解していませんQ46中級
利用者ベースの協調フィルタリングで、利用者 U がまだ評価していない作品 I への評価を予測する。U に似た利用者として A〜D の4人を選んだ。各人がこれまでに付けた評価（5段階）の平均と作品 I への評価は次のとおりで、D は作品 I を評価していない。評価の甘さ・辛さの癖を取り除くため、作品 I を評価した人ごとに「作品 I への評価 − その人の平均」を求めてそれらを平均し、U がこれまでに付けた評価の平均 3.0 に足して予測値とする。U の作品 I への評価の予測値として、最も適切なものはどれか。 A：平均 3.4、作品 I への評価 5 B：平均 4.2、作品 I への評価 4 C：平均 2.0、作品 I への評価 3 D：平均 3.5、作品 I は未評価
解説: 「3.8」が適切です。Leskovec らの『Mining of Massive Datasets』第9章は、似た利用者の評価をそのまま平均するより、各人の平均を引いて正規化し、I を評価した人に絞って差を平均してから U の平均に足すほうがよいとしています。差は A が 5−3…
関連キーワード: 協調フィルタリング・レコメンデーションエンジン・正規化
- 正解済みまだ正解していませんQ47初級
あるエピソードで、エージェントは時刻0・1・2の行動の直後に、それぞれ報酬 R_1＝10、R_2＝5、R_3＝25 を受け取り、その後エピソードは終わった（それ以降の報酬は0とする）。時刻 t からの収益 G_t は、割引率 γ を使って G_t＝R_(t+1)＋γR_(t+2)＋γ²R_(t+3)＋… と定める。γ＝0.8 のとき、時刻0からの収益 G_0 として、最も適切なものはどれか。
解説: 「30」が適切です。設問の式は、Sutton と Barto の『Reinforcement Learning: An Introduction』第2版の3.3節が定める収益（式3.8）と同じで、直後の報酬は割り引かず、1ステップ先ごとに γ を1回ずつ多く掛けます。代入すると …
関連キーワード: 割引率・マルコフ決定過程・収益
- 正解済みまだ正解していませんQ48上級
方策勾配法のREINFORCEで、エピソードで得た収益からベースラインを引いた値を使って方策のパラメータを更新する手法（ベースライン付きREINFORCE）に関する説明として、最も適切なものはどれか。
解説: 「更新の期待値を変えずに分散を小さくしうる」とする記述が適切です。Sutton と Barto の『Reinforcement Learning: An Introduction』第2版の13.4節は、ベースラインは行動によって変わらなければどんな関数でもよく、更新の期待値は変え…
関連キーワード: REINFORCE・方策勾配法・状態価値関数
- 正解済みまだ正解していませんQ49上級
n 件のデータでモデルのテスト誤差を推定するときの、1つ抜き交差検証（leave-one-out cross-validation：LOOCV）と、k＜nのk分割交差検証の比較に関する説明として、最も適切なものはどれか。
解説: 「ほぼ同じデータで学習した n 個のモデルの結果が強く相関するので…分散が大きくなりやすい」が適切です。James らの『An Introduction to Statistical Learning』5.1.4節は、LOOCVの訓練集合は n−1 件で全体とほぼ同じなので推定は…
関連キーワード: k-分割交差検証・交差検証・汎化性能
- 正解済みまだ正解していませんQ50初級
ある工場で、製品の画像から不良品を見分ける2値分類モデルを作った。データは600件で、そのうち不良品（陽性）は9件と少ない。このモデルを5分割交差検証で評価し、分割ごとに検証用データでROC曲線のAUCを求める。担当者は、通常のk分割ではなく、層化k分割（stratified k-fold）でデータを分けることにした。その主な理由として、最も適切なものはどれか。
解説: 「不良品を1件も含まない検証用の分割ができ…AUCが求められないため」が適切です。scikit-learnのユーザーガイド3.1.2.2節は、まれなクラスがあると、そのクラスを1件も含まない分割ができてROC AUCなどの指標が定まらなくなるので、各分割のクラスの比率を全体とほぼ…
関連キーワード: 交差検証・k-分割交差検証・ROC曲線・AUC
- 正解済みまだ正解していませんQ51中級
ある外観検査で、製品の画像を「良品」「軽い傷」「重い傷」の3クラスに分類するモデルを、300件のテストデータで評価した。結果は次のとおりである（各行は実際のクラスで、数字は左から良品・軽い傷・重い傷と予測した件数）。このモデルの再現率のマクロ平均として、最も適切なものはどれか。 実際が良品（200件）：180、1、19 実際が軽い傷（60件）：17、18、25 実際が重い傷（40件）：3、1、36
解説: 「0.70」が適切です。scikit-learnのユーザーガイド3.4.4.1節は、多クラスでは各クラスを2値の問題とみなし、マクロ平均は各クラスの指標を等しい重みで単純に平均するとしています。再現率は実際の件数で割るので、良品 180÷200＝0.9、軽い傷 18÷60＝0.3…
関連キーワード: 再現率・混同行列・多クラス分類・適合率
この科目の学習ポイントを読む
ぴよパスではG検定（ジェネラリスト検定）の問題を8カテゴリに分けています。機械学習の概要にはオリジナル予想問題を51問収録し、サイト内のG検定（ジェネラリスト検定）全435問の約12%を占めます。この割合は本試験の出題比率ではありません。このカテゴリの収録テーマにはアンサンブル学習・次元削減・分類問題・決定木などがあります。本試験の情報は合格率76.97%（2026年第5回・オンライン試験と会場試験の合計。受験者14,908名・合格者11,475名）・試験時間100分・受験料13,200円です。
回答後に解説を読み、分からなかった用語や手順をテキストで確かめてから解き直す使い方ができます。関連する用語や条件は、人工知能とその動向・ディープラーニングの概要・ディープラーニングの要素技術などのカテゴリでも確認できます。模擬試験はPremiumの機能です。問題数・科目構成・制限時間は模試の開始画面で確認してください。
機械学習の概要の出題傾向 — 収録全51問の分析
ぴよパスに収録しているG検定（ジェネラリスト検定）「機械学習の概要」のオリジナル練習問題 全51問を集計した、実データに基づく傾向まとめです
難易度の構成
初級17問・中級24問・上級10問の全51問構成です。
頻出テーマ (出題数の多い順)
- アンサンブル学習6問
- 次元削減6問
- 分類問題5問
- 決定木4問
- 主成分分析4問
つまずきやすいポイント (解説からの抜粋)
肢1はラベル付きデータを使う分類の説明で、教師なし学習の k-means 法ではありません（名前の似た k近傍法と混同しやすい所です）。
Q8 k-means法（k平均法）の説明として、最も適切なものはどれか。 で確認する
次の科目へ
ディープラーニングの概要51 問Premium 限定
本試験の規模にそろえて、8分野を通して解く
オンライン試験の案内（145問程度・100分）にそろえた145問・100分（1つあたり約41秒）で、技術分野から法律・倫理まで8分野を混ぜて解きます。JDLAは分野ごとの出題数と合格ラインを公表していないため、配分と70%の目安はぴよパスの設定です。100分を取れない日は、開始画面で41分の短縮演習も選べます。
145問の模擬試験を始める機械学習の概要 — よくある質問
この科目の問題数・学習順序・出題比率・合格ラインの目安をまとめました
- G検定（ジェネラリスト検定）の機械学習の概要は何問用意されていますか？
- ぴよパスではG検定（ジェネラリスト検定）の機械学習の概要に全51問のオリジナル練習問題を用意しています。G検定（ジェネラリスト検定）の収録全435問のうち約12%です。回答後に解説を確認できます。初級・中級・上級のバッジは問題の難易度の目安で、解いた人の習熟度を示すものではありません。
- 機械学習の概要はどんな順序で学習するのがおすすめですか？
- テキストで学んだ範囲や、確認したい用語の問題から取り組めます。迷う場合は一覧の先頭から数問解き、解説を読んでも分からない箇所をテキストで確認してください。問題番号は一覧内の順番です。ぴよパスではG検定（ジェネラリスト検定）の問題を8カテゴリ（機械学習の概要 / 人工知能とその動向・ディープラーニングの概要・ディープラーニングの要素技術・ディープラーニングの応用例）に分けているので、関連する内容は別のカテゴリでも確認できます。
- 機械学習の概要の問題数は、通常演習と模試でどう違いますか？
- 機械学習の概要は、ぴよパスでG検定（ジェネラリスト検定）の問題を分けている8カテゴリの一つです。ぴよパスに収録している機械学習の概要の問題数は51問 / 全435問で、収録全体の約12%にあたります。ぴよパスの模擬試験の基本設定では、機械学習の概要を全145問中17問（約12%）出題します。これは模試の配分であり、本試験の出題比率を示すものではありません。
- 機械学習の概要で合格ラインを割らないためのコツはありますか？
- G検定（ジェネラリスト検定）の合格基準は「合格ラインと得点は公表されていません（JDLAの公式FAQ『合格ラインおよび得点については開示しておりません』）」です。科目別の条件は「技術分野・法律・倫理分野ごとの足切りの有無も公表されていません」です。サイト内のカテゴリ分けと本試験の科目区分は一致しない場合があります。機械学習の概要の正答率だけで合否を判断せず、間違えた問題の内容と、本試験で適用される基準を確認してください。