G検定 用語解説
ソフトマックス関数とは
複数の出力値を0から1の範囲に収め、全出力の合計が1になるように変換する活性化関数。多クラス分類の出力層で、各クラスに属する確率の分布として結果を解釈するために使われる。
まず押さえる結論
ソフトマックス関数は、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 / 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。
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
学習中に一部のニューロンをランダムに無効化し、特定の結合への依存を減らして過学習を抑える方法はどれか。
正解は「ドロップアウト」である。ドロップアウトは、学習時に一部のニューロンをランダムに無効化することで、特定の特徴や結合への過度な依存を抑え、過学習の軽減を狙う方法である。バッチ正規化は層の入力分布を整える方法、ソフトマックス関数とtanh関数は活性化関数である。 過学習対策は、具体的に何を操作するかを見る。層の入力分布を整えるバッチ正規化や、出力を変換するソフトマックス・tanhではなく、学習時に一部ニューロンを無効化して結合への依存を減らすドロップアウトを選ぶ。
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
出力層で用いられ、各クラスに対する出力値を合計が1になるように変換することで、多クラス分類の確率分布として解釈できるようにする関数はどれか。
正解はソフトマックス関数。各クラスに対応する出力値を指数関数で変換したうえで正規化し、全出力の合計が1になるようにすることで、多クラス分類の確率分布として解釈できるようにする関数である。シグモイド関数は各入力を独立に0〜1の範囲へ変換するが、複数の出力ノードそれぞれの値を合計しても1になる保証はなく、多クラスの確率分布を作る関数ではない。tanh関数は各入力を独立に-1〜1の範囲へ変換する関数で、合計を1にする性質を持たない。ReLU関数は入力が0以下なら0、正ならそのまま出力する関数で、出力値には上限がなく確率として解釈できる範囲に収まらない。
同じ章で確認したい用語
到達チェック
- ソフトマックス関数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、ソフトマックス関数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）