G検定 用語解説
データマイニングとは
大量に蓄積されたデータの中から、それまで気づかれていなかった有用な規則性や傾向、関連性を見つけ出すこと全般を指す用語。
まず押さえる結論
データマイニングは、G検定の「大項目2 人工知能をめぐる動向」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
×AIブームと中心の対応ずれ。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニング。
×フレーム問題とシンボルグラウンディング問題の混同。前者は『起こりうる事柄をすべて考慮しきれない』、後者は『記号と実世界の意味を結びつけられない』。
×知識獲得のボトルネック（専門知識をルール化する作業の困難さ）をエキスパートシステムの利点と取り違える。
関連する確認問題
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
退会予測に利用する契約期間、利用頻度、問い合わせ回数は、モデルにとって何に当たるか。
この事例では「目的変数を予測するための入力変数か」を確認すると、特徴量に絞れる。正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
画像分類器へ色、面積、輪郭の数値を与えた。分類判断の材料となるこれらを何というか。
この事例では「学習と予測に用いる入力側の属性か」を確認すると、特徴量に絞れる。正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
小売店の購買履歴やセンサーの記録など、大量に蓄積されたデータの中から、それまで気づかれていなかった有用な規則性や傾向、関連性を見つけ出すこと全般を指す用語はどれか。
正解はデータマイニング。小売店の購買履歴やセンサーの記録など、大量に蓄積されたデータの中から、それまで気づかれていなかった有用な規則性や傾向、関連性を見つけ出すこと全般を指す用語である。統計的自然言語処理は言語データを統計的な手法で処理して解析する分野であり、対象を言語データに限った技術であって、あらゆるデータから未知の規則性を見つけ出すこと全般を指す語ではない。機械学習はデータからパターンや規則を自動的に学習してモデルをつくる技術の総称であり、学習してモデルを構築する営み自体を指す語であって、蓄積データから未知の規則性を発見すること全般を指す語ではない。パターン認識は観測されたデータがあらかじめ定めたどのクラスに属するかを判別する技術であり、既知のクラスへの分類が目的であって、未知の規則性や関連性を見つけ出すこと全般を指す語ではない。問題文の「大量に蓄積されたデータの中から、それまで気づかれていなかった有用な規則性や傾向、関連性を見つけ出すこと全般」という条件に一致するのはデータマイニングだけである。
同じ章で確認したい用語
到達チェック
- データマイニング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、データマイニング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）