第43問〜第49問を掲載しています。答えを開き、誤答選択肢との違いまで確認してください。
この事例では「決定木を複数組み合わせたアンサンブルか」を確認すると、ランダムフォレストに絞れる。正解は「ランダムフォレスト」である。データや特徴量をランダムに選んで多数の決定木を作り、それぞれの予測を多数決（分類）や平均（回帰）で統合するアンサンブル学習（バギングの代表例）の手法である。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1つ学習する手法であり、複数の決定木を組み合わせるものではない。線形回帰は説明変数から連続値を予測する単一のモデル、主成分分析は次元削減の手法であり、いずれも決定木を多数作って統合する仕組みを持たない。「多数の決定木」「多数決や平均で統合」という条件がランダムフォレストの目印になる。
https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）
この事例では「予測と実績を陽性・陰性で交差集計するか」を確認すると、混同行列に絞れる。正解は「混同行列」である。分類モデルの予測結果と実際の正解の組み合わせ（真陽性・偽陽性・偽陰性・真陰性）を表の形にまとめたもので、適合率（精度）や再現率、正解率などを計算するもとになる。散布図は2変数の関係を点で示す可視化、ヒストグラムはデータの分布を棒状に示す可視化であり、いずれも予測と正解の組み合わせを集計する表ではない。決定木は分類を行う手法自体であり、分類結果の内訳をまとめる評価の表ではない。「真陽性・偽陽性・偽陰性・真陰性」「適合率や再現率を求めるもと」という条件が混同行列の目印になる。
https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）
この事例では「ROC曲線下の面積で分類性能を評価するか」を確認すると、AUCに絞れる。AUCが他の3つと違うのは、しきい値を1つに固定せずに評価できる点にある。F値と正解率はどちらも、ある1つのしきい値で分類した結果から求まる単発の数値であり、しきい値を変えたときの挙動全体までは表さない。混同行列も特定のしきい値における予測と実際の組み合わせを整理した表にとどまる。AUCはしきい値を動かしながら描いたROC曲線の下側の面積として求まるため、しきい値の選び方に左右されにくいモデル全体の識別性能を1つの数値で表せる指標として使われる。
https://www.jdla.org/certificate/general/ （大項目3 機械学習の概要）
この事例では「確率を推定して二値の意思決定に使うか」を確認すると、ロジスティック回帰に絞れる。正解は「ロジスティック回帰」である。線形回帰の考え方を分類に応用し、出力をシグモイド関数で0〜1の値（確率）に変換することで、主に二値分類に用いられる教師あり学習の手法である。主成分分析は特徴量を分散の大きい軸へ変換する次元削減の手法であり分類器ではない。k-means法と階層的クラスタリングはいずれもラベルのないデータをグループ分けする教師なし学習であり、確率を出力して二値分類を行う手法ではない。「出力を確率に変換」「主に二値分類」という条件がロジスティック回帰の目印になる。
https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）
この事例では「多数の決定木の結果を集約するか」を確認すると、ランダムフォレストに絞れる。正解は「ランダムフォレスト」である。データや特徴量をランダムに選んで多数の決定木を作り、それぞれの予測を多数決（分類）や平均（回帰）で統合するアンサンブル学習（バギングの代表例）の手法である。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1つ学習する手法であり、複数の決定木を組み合わせるものではない。線形回帰は説明変数から連続値を予測する単一のモデル、主成分分析は次元削減の手法であり、いずれも決定木を多数作って統合する仕組みを持たない。「多数の決定木」「多数決や平均で統合」という条件がランダムフォレストの目印になる。
https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）
この事例では「実際と予測を陽性・陰性の四区分で示すか」を確認すると、混同行列に絞れる。正解は「混同行列」である。分類モデルの予測結果と実際の正解の組み合わせ（真陽性・偽陽性・偽陰性・真陰性）を表の形にまとめたもので、適合率（精度）や再現率、正解率などを計算するもとになる。散布図は2変数の関係を点で示す可視化、ヒストグラムはデータの分布を棒状に示す可視化であり、いずれも予測と正解の組み合わせを集計する表ではない。決定木は分類を行う手法自体であり、分類結果の内訳をまとめる評価の表ではない。「真陽性・偽陽性・偽陰性・真陰性」「適合率や再現率を求めるもと」という条件が混同行列の目印になる。
https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）
この事例では「しきい値全体の識別性能を曲線下面積で比較するか」を確認すると、AUCに絞れる。AUCが他の3つと違うのは、しきい値を1つに固定せずに評価できる点にある。F値と正解率はどちらも、ある1つのしきい値で分類した結果から求まる単発の数値であり、しきい値を変えたときの挙動全体までは表さない。混同行列も特定のしきい値における予測と実際の組み合わせを整理した表にとどまる。AUCはしきい値を動かしながら描いたROC曲線の下側の面積として求まるため、しきい値の選び方に左右されにくいモデル全体の識別性能を1つの数値で表せる指標として使われる。
https://www.jdla.org/certificate/general/ （大項目3 機械学習の概要）