DS検定 用語解説
F値とは
PrecisionとRecallの調和平均。
まず押さえる結論
F値は、DS検定の「第5章 データ準備・可視化技法とモデル化」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-12。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×標本誤差とサンプリングバイアスの混同。標本誤差は標本抽出に伴う偶然のばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差。
×過学習を『精度が高いこと』と誤解する。訓練データに過剰適合し未知データへの汎化性能が下がる問題として理解する必要がある。
×Precision（適合率）とRecall（再現率）の取り違え。目的（見逃しを減らしたいか、誤検知を減らしたいか）によって重視する指標が変わる。
関連する確認問題
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
誤答除外の観点から次のケースを検討する。複数の決定木を組み合わせる方法ではないものが候補に混ざっている。それはどれか 他の候補が条件を満たさないことも確認して選べ。
誤答候補を役割ごとに除外すると「ホールドアウト法」だけが条件を満たす。正解は「ホールドアウト法」である。Random Forestは複数の決定木の多数決・平均を取る手法、XGBoostとLightGBMは決定木を順に追加していく勾配ブースティング（GBDT）の実装であり、いずれも決定木を組み合わせて予測精度を高めるアンサンブル学習の手法である。ホールドアウト法はデータを学習用と評価用に分割してモデルの性能を検証する手法であり、決定木を組み合わせて予測するアンサンブル学習の手法ではない。3つが「複数の決定木をどう組み合わせて予測するか」という同じ問いに答える手法である一方、ホールドアウト法は「学習したモデルをどう評価するか」という別の問いに答える手法であり、単独で異なる役割を持つ。
第5章 データ準備・可視化技法とモデル化 / 非構造化データ処理
誤答除外の観点から次のケースを検討する。『顧客が商品を購入した』という文から、誰が何をしたかという関係を取り出したい。該当する処理はどれか 他の候補が条件を満たさないことも確認して選べ。
誤答候補を役割ごとに除外すると「係り受け解析」だけが条件を満たす。正解は「係り受け解析」である。係り受け解析は、文中の語句がどの語句を修飾しているか、主語と述語がどう結び付くかといった文の構造を解析する処理である。「画像セグメンテーション」は画像を意味のある領域に分割する画像認識分野の処理であり、対象が文章ではなく画像である。「サンプリングレート変換」は音声データのサンプリングレートを変更する音声処理であり、対象が文章ではなく音声データである。「正規化」はデータの形式や尺度をそろえる処理を指す語であり、文中の主語・述語の関係という構文構造そのものを解析する処理ではない。いずれも対象とするデータの種類か、扱う処理の内容が設問の条件と異なる。
第5章 データ準備・可視化技法とモデル化 / データ準備
誤答除外の観点から次のケースを検討する。平均やばらつきが異なる複数の数値特徴量を、学習前に比較可能な尺度へそろえたい。使う前処理はどれか 他の候補が条件を満たさないことも確認して選べ。
誤答候補を役割ごとに除外すると「標準化」だけが条件を満たす。正解は「標準化」である。標準化は、数値特徴量の平均やばらつきをそろえ、スケールの違いがモデル学習に与える影響を抑える前処理である。帰無仮説は検定、公開鍵暗号化方式はセキュリティ、データポータビリティは個人情報に関する制度論点であり、特徴量のスケール調整ではない。設問では「モデルに入力する数値特徴量」と「スケールをそろえる前処理」を結び付ける。検定、暗号化、制度の用語を除外し、データ準備の標準化を選ぶ。処理の対象と目的を分けて読むことが重要である。
同じ章で確認したい用語
到達チェック
- F値を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、F値に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）