G検定 用語解説
交差検証（クロスバリデーション）とは
データを分割し、学習と評価を入れ替えながら繰り返して、モデルの性能をより安定して見積もる方法。
まず押さえる結論
交差検証（クロスバリデーション）は、G検定の「大項目3 機械学習の概要」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
×教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
×L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
×適合率（精度）と再現率の取り違え、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / モデルの評価と過学習
訓練データに対しては高い精度を示すのに、未知のテストデータに対する精度が大きく下がってしまい、汎化性能が低い状態を何というか。
正解は「過学習」である。訓練データに適合しすぎて未知データへの汎化性能が下がる状態は過学習。未学習は訓練データにも十分適合できず訓練・テストともに精度が低い状態で逆の現象。正則化は過学習を抑えるための手法であって状態の名称ではない。交差検証は汎化性能を見積もる評価手法であり、状態を指す語ではない。訓練データでは高精度なのにテストデータで下がる、という差の出方を見る。学習済みモデルが訓練例を覚え込みすぎて、新しいデータへの対応力を失っている状態と捉える。
大項目3 機械学習の概要 / モデルの評価と過学習
データを複数のグループに分割し、一部を検証用・残りを訓練用として役割を入れ替えながら学習と評価を繰り返すことで、汎化性能を安定して見積もる手法はどれか。
正解は「交差検証」である。分割した各グループの役割を入れ替えて評価を繰り返すのは交差検証。ホールドアウト法はデータを訓練用とテスト用に一度だけ分ける方法で、役割を入れ替えて繰り返すことはしない。混同行列は分類結果を表にまとめた評価ツール。正則化は過学習を抑える手法であり、いずれも評価の繰り返し手順ではない。「分割」「役割を入れ替える」「繰り返す」が交差検証の判断材料になる。一度の分割結果に依存しにくくするため、複数回の評価を平均的に見る手法だと押さえる。
大項目3 機械学習の概要 / モデルの評価と過学習
二値分類において、適合率（精度）と再現率の調和平均をとり、両者のバランスを一つの数値で表したものはどれか。
正解は「F値」である。適合率と再現率の調和平均で両者のバランスを表すのはF値。正解率は全体のうち正しく予測できた割合で、適合率と再現率の調和平均ではない。混同行列は予測と実際の対応を整理した表そのもの。ROC曲線は閾値を変えたときの検出性能を描いた曲線であり、調和平均を表す単一の指標ではない。「適合率と再現率の調和平均」という定義がそのままF値を指す。片方だけが高い分類器を過大評価しないため、両者を同時に見る指標として使われる。特に不均衡データでは正解率だけでは性能を読み誤るため、F値が問われやすい。
同じ章で確認したい用語
到達チェック
- 交差検証（クロスバリデーション）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、交差検証（クロスバリデーション）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）