G検定 用語解説
ランダムサーチとは
ハイパーパラメータの候補値の範囲からランダムに組み合わせを選んで試す手法。すべての組み合わせを試すグリッドサーチより少ない試行回数で良い組み合わせを見つけやすい。
まず押さえる結論
ランダムサーチは、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 / ニューラルネットワークの基礎
入力を1つの層で直接出力に結びつける単純パーセプトロンが解けない問題として、代表的に挙げられるものはどれか。
正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。 選択肢ごとの差は次のように整理できる。「2つの数の足し算」は誤答側で、誤答。「2つの数の足し算」は線形分離の可否とは異なる処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。「1本の直線で2つのグループに分けられる問題」は誤答側で、誤答。「1本の直線で2つのグループに分けられる問題」は線形分離可能な問題であり、単純パーセプトロンでも解ける。設問が求める「解けない問題」には当たらない。「XOR（排他的論理和）のような線形分離できない問題」は正解側で、正解。「XOR（排他的論理和）のような線形分離できない問題」は1本の直線では分けられない問題であり、単純パーセプトロンが解けない代表例として知られる。「文字を画面に表示する処理」は誤答側で、誤答。「文字を画面に表示する処理」は線形分離の可否とは関係のない処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。
大項目4 ディープラーニングの概要 / ニューラルネットワークの基礎
単純パーセプトロンでは解けなかったXOR問題を扱えるようにするために導入された、入力層と出力層の間に中間の層（隠れ層）を持つ構造はどれか。
正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤答側で、誤答。「決定木」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤答側で、誤答。「サポートベクターマシン」は多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」は正解側で、正解。「多層パーセプトロン」は入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤答側で、誤答。「k近傍法」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。
大項目4 ディープラーニングの概要 / ニューラルネットワークの基礎
「隠れ層を持つニューラルネットワークは、十分な数のニューロンがあれば任意の連続関数を任意の精度で近似できる」という主旨の定理はどれか。
正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。 選択肢ごとの差は次のように整理できる。「ノーフリーランチ定理」は誤答側で、誤答。「ノーフリーランチ定理」はあらゆる問題に万能なアルゴリズムは存在しないという主張であり、関数を近似できる能力について述べた定理ではない。「ベイズの定理」は誤答側で、誤答。「ベイズの定理」は確率を新たな情報で更新するための定理であり、ニューラルネットワークの近似能力について述べた定理ではない。「万能近似定理」は正解側で、正解。「万能近似定理」は隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、ニューラルネットワークの近似能力について述べた定理ではない。
同じ章で確認したい用語
到達チェック
- ランダム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、ランダム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）