Chapter 3
機械学習の具体的手法の用語を順に解説します。
教師あり学習とは 教師あり学習は入力と正解ラベルの組から、未知入力に対する予測規則を学習します。 具体例 連続値を予測する回帰とカテゴリを予測する分類を、目的変数の性質で見分けます。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示された条件へ定義を当ては
回帰問題とは 回帰は売上や温度など連続的な数値を予測する教師あり学習の問題設定です。 具体例 カテゴリ番号を数値として出すだけでは回帰とは限りません。評価にはMAEやRMSEなどを使います。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示された条件へ定義
分類問題とは 分類は入力を定義済みのクラスへ割り当てる教師あり学習の問題設定です。 具体例 二値、多クラス、複数ラベルを区別し、クラス不均衡では正解率だけに頼りません。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示された条件へ定義を当てはめることが重要
線形回帰とロジスティック回帰とは 線形回帰は線形結合で連続値を予測し、ロジスティック回帰はシグモイド関数などを通じてクラス確率を表します。 具体例 名前に回帰とあってもロジスティック回帰は代表的な分類手法です。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文
決定木とランダムフォレストとは 決定木は特徴量の条件でデータを分割し、ランダムフォレストは複数の木をランダム性を入れて学習し集約します。 具体例 単一木は説明しやすい一方で過学習しやすく、アンサンブルは分散を抑えます。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず
サポートベクターマシンとは サポートベクターマシンはクラス間のマージンを最大化する境界を求め、カーネルにより非線形分離も扱う手法です。 具体例 境界に近いサポートベクトルが解を特徴付けます。カーネル関数は特徴空間での内積に対応します。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だ
k近傍法とは k近傍法は予測対象に近い訓練例をk個選び、多数決や平均で予測する手法です。 具体例 距離尺度、特徴量の尺度、kの選択が結果へ強く影響し、予測時にも訓練データを参照します。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示された条件へ定義を当て
教師なし学習とは 教師なし学習は正解ラベルを与えず、データの構造、まとまり、低次元表現などを見つけます。 具体例 クラスタリングと次元削減は目的が異なり、得られた群が必ず業務上の正解区分とは限りません。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示され
k-means法とは k-means法は各点を近い重心へ割り当て、重心更新を反復してk個のクラスタを作る手法です。 具体例 kを事前に決める必要があり、初期値、外れ値、特徴量の尺度、非球状クラスタに注意します。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文
主成分分析とは 主成分分析は分散を多く保つ直交方向へデータを射影し、相関する特徴量を少数の主成分へ要約します。 具体例 教師ラベルを使わない線形変換であり、主成分の意味が元特徴ほど直感的でない場合があります。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に
強化学習とは 強化学習はエージェントが環境で行動し、将来を含む累積報酬を高める方策を学習します。 具体例 教師あり学習の正解ラベルではなく、状態遷移と遅延する報酬から学ぶ点が特徴です。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示された条件へ定義を当て
訓練・検証・テストデータとは 訓練データはパラメータ学習、検証データはモデル選択、テストデータは最終的な汎化性能評価に使います。 具体例 テスト結果を見て調整を繰り返すと情報漏洩となり、独立した最終評価ではなくなります。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さ
過学習と未学習とは 過学習は訓練データへ適合し過ぎて未知データ性能が落ち、未学習は訓練データの規則さえ十分に捉えない状態です。 具体例 訓練誤差と検証誤差の組合せから状態を判断し、データ、複雑さ、正則化などを調整します。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さ
交差検証とは 交差検証はデータを複数の分割に分け、検証部分を入れ替えて性能を評価する方法です。 具体例 時系列や同一人物の反復データでは無作為分割が未来情報や個体情報の漏洩を招くため分割単位を設計します。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示さ
混同行列と評価指標とは 混同行列は予測と実際を真陽性、偽陽性、真陰性、偽陰性に分け、適合率、再現率、F値などを導きます。 具体例 見逃しと誤警報の損失が異なるため、業務目的に沿って指標と閾値を選びます。 もう少し詳しく この用語は単独で暗記せず、目的、入力、処理、結果、適用できない境界の順に説明できるようにします。実務では前提条件と評価基準を明記し、期待した結果と実測結果を区別します。 似た用語を見分けるときは、誰が何を判断するのか、いつ実施するのか、成果物が何かを比較します。名称だけで結論を出さず、問題文に示され
ラベルとは教師あり学習で入力に対応付ける正解・目的値です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約145問、会場
特徴量とは予測や分類のために入力データから取り出す、モデルが利用する属性です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100
目的変数とは予測・説明の対象となる変数で、教師あり学習ではラベルに相当します。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100
二値分類とは対象を二つのクラスのいずれかに分ける問題設定です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約145問、
多クラス分類とは互いに排他的な三つ以上のクラスから一つを選ぶ分類問題です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・
多ラベル分類とは一つの入力に対し、複数のラベルが同時に正解となり得る分類問題です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は1
階層クラスタリングとは近いデータを段階的に併合または分割し、階層構造としてクラスタを得る手法です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオ
アソシエーション分析とはデータに同時に現れやすい項目や規則を見つける分析です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100
バンディット問題とは限られた試行の中で、探索と既知の有望な選択肢の活用を両立させる問題です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライ
方策とは強化学習で、状態に応じてどの行動を選ぶかを定める規則です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約145
報酬設計とは望ましい振る舞いを促すため、強化学習で報酬の与え方を定めることです。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は10
訓練損失とは学習に用いたデータ上で計算される誤差の指標です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約145問、会
汎化性能とは学習に使っていないデータでも期待どおりに予測できる能力です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約
ホールドアウト検証とはデータの一部を最終評価用として取り分け、学習や調整に使わない評価方法です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオン
データリークとは本来は利用できない将来情報や評価用情報が学習・特徴量へ混入する不備です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試
クラス不均衡とはクラスごとの件数に大きな偏りがあり、正解率だけでは性能を判断しにくい状態です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンラ
適合率とは陽性と予測したもののうち、実際に陽性だった割合です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約145問、
再現率とは実際に陽性のもののうち、陽性と検出できた割合です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約145問、会
F1スコアとは適合率と再現率の調和平均で、両者のバランスを見る指標です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約
ROC-AUCとは判定閾値を変えたときの識別性能をROC曲線の面積で要約する指標です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験
ハイパーパラメータとは学習で自動的に求める重みとは別に、人が設定または探索する設定値です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン
交絡とは二つの変数の関係が第三の要因の影響で見かけ上生じている状態です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン試験は100分・約
サンプリングバイアスとは収集対象の偏りにより、データが対象集団を適切に代表しない状態です。学習のポイント機械学習の具体的手法の文脈で、目的・前提・似た概念との違いを説明できるようにしましょう。単語だけを暗記せず、問題文の条件に当てはめて判断します。出題範囲との対応JDLA公開シラバスの該当大分類を理解するための学習用解説です。公式問題、公式解答、合格基準を転載したものではありません。 ファクトチェック：G2024#6以降 v1.4（2026-05-13更新、2026-08-01確認）。2026年の案内ではオンライン
公式資料へのリンクと確認日を各記事に掲載しています。