用語比較
k分割交差検証とleave-one-out(LOO)の違い｜分割数kとモデルを作る回数で見分ける（G検定）
k分割交差検証は、データをk個のグループ(フォールド)に分け、1つを評価用・残りを学習用にして、k回学習と評価を繰り返す方法です。leave-one-out(LOO)は、評価用を1件だけにして、データ件数nと同じn回繰り返す方法です。
G検定では、交差検証の手順を問う設問で、分割数と繰り返しの回数の関係が問われます。LOOは、k分割でk＝nとした極端な場合と覚えると、選択肢を整理できます。
このページは、機械学習ライブラリ scikit-learn の公式ガイド「Cross-validation」の説明をもとに、分割数・モデルを作る回数・計算量の3点で比べます。数値の例は、説明用の架空のデータです。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
結論
k分割交差検証
データをk個のフォールドに分け、k−1個で学習し、残る1個で評価する。これをk回繰り返す。
leave-one-out(LOO)
1件だけを評価用に取り分け、残りすべてで学習する。n件のデータならn通りの学習用・評価用の組ができる。
2つの関係
k分割交差検証でk＝n(データ件数)にすると、LOOと同じになる。
違いを表で確認
| 比較軸 | k分割交差検証 | leave-one-out(LOO) |
|---|---|---|
| 分割数 | k分割交差検証：kグループ(5や10などを指定する) | LOO：データ件数nと同じ数 |
| モデルを作る回数 | k分割交差検証：k回 | LOO：n回(n＞kなので、k分割より多い) |
| 1回の学習に使うデータ量 | k分割交差検証：全体の (k−1)÷k | LOO：n−1件。1件しか取り除かないので、データをあまり無駄にしない |
| 1回の評価に使うデータ量 | k分割交差検証：全体の 1÷k | LOO：1件だけ |
| 計算量 | k分割交差検証：kが大きすぎず、k＜nなら、LOOより軽い | LOO：n個のモデルを作るので、k分割より重い |
| 推定の安定性 | k分割交差検証：公式ガイドは、5分割や10分割をLOOより優先するのがよいという立場 | LOO：テスト誤差の推定量としてばらつき(分散)が大きくなりやすい |
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
「k＝n」の語が出てどちらか迷う人
k分割でk＝nとすると、評価用が1件になるLOOと同じ手順になります。選択肢に「k＝n」とあれば、LOOのことです。
モデルを何回作るかを聞かれる人
k分割はk回、LOOはn回です。データが100件なら、10分割は10回、LOOは100回モデルを作ります。
データが少ないとき、どちらを選ぶか迷う人
LOOは、学習から1件しか除かないので学習データをほとんど減らしません。ただし、計算量が増え、推定のばらつきも大きくなりやすいため、公式ガイドは一般に5分割や10分割を勧めています。
ホールドアウト法と交差検証の違いが曖昧な人
ホールドアウト法は1回だけ分ける方法で、交差検証は評価役を入れ替えて繰り返す方法です。違いは別のページで整理しています。
具体例で使い分ける
例 1
10件のデータで、5分割とLOOを比べる(架空のデータ)
同じ10件のデータで、モデルを何回作り、1回に何件で学習・評価するかを数えます。
- 5分割は、2件ずつのフォールドが5個できます。モデルは5回作り、1回は8件で学習して2件で評価します。
- LOOは、1件を評価用に取り分けます。モデルは10回作り、1回は9件で学習して1件で評価します。
結論: LOOは学習データが多い代わりに、モデルを作る回数が2倍になります。件数が大きいほど、この差は開きます。
例 2
データが1000件のとき、モデルを作る回数を比べる(架空のデータ)
学習に時間がかかるモデルで、検証の手間を見積もります。
- 10分割なら、モデルは10回です。
- LOOなら、データ件数と同じ1000回です。
結論: LOOは件数が増えるほど、手間が件数に比例して増えます。k分割は、kを決めれば件数によらず一定です。
問題文から答えを選ぶ手順
- 1
評価用の件数を読む
評価用が1件ならLOO、全体の1÷kならk分割交差検証です。
- 2
繰り返しの回数を読む
回数がデータ件数nならLOO、指定した分割数kならk分割です。
- 3
「k＝n」を見つける
k＝nの記述はLOOを指します。LOOは、k分割の特別な場合です。
- 4
計算量とばらつきの記述を読む
「計算量が大きい」「ばらつきが大きい」はLOOの注意点です。一般には5分割や10分割が好まれます。
試験での見分け方
- 1データをk個に分け、k回繰り返すのがk分割交差検証。
- 2評価用を1件にし、n回繰り返すのがLOO。
- 3k分割でk＝nにするとLOOと同じになる。
- 4LOOはk分割より、計算が重くばらつきも大きくなりやすい。
誤答しやすい選択肢
LOOはk分割とまったく別の手法だと考える
修正: LOOは、k分割でk＝nとした特別な場合です。評価用が1件になる以外、手順の骨格は同じです。
LOOはデータを無駄にしないので、いつも最良だと考える
修正: 学習データはほとんど減りませんが、n個のモデルを作る計算の重さと、推定のばらつきの大きさが欠点です。公式ガイドは5分割や10分割を勧めています。
kを大きくするほど、計算量が小さくなると考える
修正: kが大きいほど、モデルを作る回数が増えます。k＝nのLOOが、回数は最大です。
確認問題
Q120件のデータでLOOを行うと、モデルを作る回数は？
答え: 20回
LOOはn件のデータでn通りの学習用・評価用の組を作るので、n＝20なら20回です。
Q2k分割交差検証でkをデータ件数nと同じにすると、何と同じになる？
答え: leave-one-out(LOO)
scikit-learnの公式ガイドは、k＝nのとき、k分割はLeave One Outと同じ手順になると説明しています。
Q350件のデータを5分割で交差検証する。1回の学習に使うのは何件？
答え: 40件
フォールドは1つ10件で、そのうち1つを評価に回すので、学習は残りの4つ、50×4÷5＝40件です。
到達チェック
- k分割はk回、LOOはn回モデルを作ると言える
- k＝nでk分割がLOOと同じになると言える
- LOOの注意点が、計算量とばらつきだと言える
関連ページで確認する
同じ資格で次に知りたいこと
- バッチ・ミニバッチ・確率的勾配降下法の違い｜1回の更新に使うデータ数で見分ける（G検定）
バッチ勾配降下法・ミニバッチ勾配降下法・確率的勾配降下法(SGD)の違いを、1回の更新に使うデータ数・更新の回数・勾配の正確さで整理。1000件の計算例と確認問題つき。G検定の学習の仕組みの設問に使える。
- バッチ学習とオンライン学習の違い｜データを一度に使うか、少しずつ使うかで見分ける（G検定）
バッチ学習とオンライン学習の違いを、データの使い方・メモリ・新しいデータの取り込み方で整理。out-of-core学習との関係、ミニバッチ勾配降下法との区別、数値の計算例、確認問題つき。G検定の学習方式の設問に使える。
- 最尤推定とベイズ推定の違い｜事前分布の有無と、点で答えるか分布で答えるか（G検定）
最尤推定とベイズ推定の違いを、事前分布の有無・結果が点か分布か・MAP推定との関係で整理。コイン投げの計算例と確認問題つき。G検定の推定の設問に使える。
よくある質問
Qkはいくつにするのがよい？
scikit-learnの公式ガイドは、経験的な根拠をもとに、5分割や10分割をLOOより優先するのがよいという立場です。試験では、具体的な数より、kを決めたらk回学習すること、k＝nがLOOになることを押さえます。
QLOOはなぜ推定のばらつきが大きいの？
公式ガイドは、LOOはn−1件で各モデルを作るため、モデル同士がほとんど同じになり、テスト誤差の推定量としてばらつき(分散)が大きくなりやすいと説明しています。
Qk分割交差検証は、いつも公平な評価になる？
公式ガイドは、データが独立同分布であることを前提にしており、時間に依存するデータでは時系列用、グループ構造のデータではグループ別の交差検証を使うほうが安全だと述べています。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）