ぴよパス機械学習の概要
全 180 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 180 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 1 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
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21問収録し、サイト内のG検定（ジェネラリスト検定）全180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分類問題・アンサンブル学習・k-means法・教師なし学習などがあります。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21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21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7問・中級10問・上級4問の全21問構成です。
頻出テーマ (出題数の多い順)
- 分類問題2問
- アンサンブル学習2問
- k-means法2問
- 教師なし学習2問
- 主成分分析2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21 問プレミアム会員限定
8分野を横断して、知識の穴を見つける
オンライン試験とほぼ同じペース（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。
60問の短縮演習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21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180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21問 / 全180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60問中7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。