G検定 用語解説
グリッドサーチとは
ハイパーパラメータの候補値をあらかじめ格子状に指定し、すべての組み合わせを総当たりで試して最も性能の良い組み合わせを探す手法。
まず押さえる結論
グリッドサーチは、G検定の「大項目4 ディープラーニングの概要」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: 2026-07-03。
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
×勾配消失問題と勾配爆発の混同、およびReLUなど活性化関数による緩和の役割。
×局所最適解・大域最適解・鞍点の区別（鞍点はある方向に極小・別方向に極大）。
×誤差逆伝播法（バックプロパゲーション）と勾配降下法の役割の取り違え。
関連する確認問題
大項目4 ディープラーニングの概要 / 学習の仕組み
勾配降下法による最適化で、過去の更新方向を慣性として現在の更新に加えることで、収束を速め振動を抑えることを狙った手法はどれか。
正解は「モメンタム」である。モメンタムは、過去の勾配（更新方向）を慣性として現在のパラメータ更新に加えることで、収束を速め、勾配の振動を抑えることを狙った最適化手法である。ドロップアウトは過学習対策、ワンホットエンコーディングはカテゴリ変数の変換、パディングは畳み込みの端処理であり、いずれも更新に慣性を加える最適化手法ではない。 各選択肢が作用する段階を分ける。ドロップアウトは学習中にユニットを無効化する汎化手法、ワンホット化は入力表現、パディングは畳み込み端部の処理である。勾配更新そのものへ過去の速度を加えるモメンタムが該当する。
大項目4 ディープラーニングの概要 / 活性化関数と過学習対策
入力を0〜1の範囲になめらかに変換するS字型（シグモイド型）の活性化関数で、層を深くすると勾配消失を起こしやすいことでも知られるものはどれか。
正解は「シグモイド関数」である。シグモイド関数は、入力を0〜1の範囲になめらかに変換するS字型の活性化関数である。微分値が小さいため、層を深くすると入力層に近い層で勾配がほとんど伝わらなくなる勾配消失を起こしやすい。ReLU関数はこの問題を起こしにくくした関数、ソフトマックス関数は多クラス分類の確率化に用いる関数、恒等関数は入力をそのまま出す関数であり、いずれもS字型で勾配消失を起こしやすいという本問の特徴には当たらない。出力範囲が0〜1のS字型であることと、層を深くすると勾配消失を起こしやすいことの2条件を同時に満たす関数はシグモイド関数だけである。
大項目4 ディープラーニングの概要 / 活性化関数と過学習対策
出力を-1〜1の範囲に変換するS字型の活性化関数で、シグモイド関数と似た形をしているが出力の中心が0になるものはどれか。
正解は「tanh関数」である。tanh関数（双曲線正接関数）は、出力を-1〜1の範囲に変換するS字型の活性化関数で、シグモイド関数に似た形だが出力の中心が0になる点が異なる。ReLU関数は0以下を0にする関数、ソフトマックス関数は確率分布への変換、ステップ関数は0か1を出す不連続な関数であり、いずれも出力が-1〜1で中心が0のS字型関数ではない。出力範囲が-1〜1のS字型であることと、出力の中心が0になることの2条件をあわせて満たす関数はtanh関数だけである。
同じ章で確認したい用語
到達チェック
- グリッドサーチ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、グリッドサーチ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）