G検定 用語解説
正則化とは
モデルの重みに制約を加えて複雑になりすぎるのを防ぎ、過学習を抑える手法の総称。L1正則化・L2正則化はその代表的な具体例。
まず押さえる結論
正則化は、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）混同しやすい用語との差
過学習 / 正則化
過学習は訓練データに適合しすぎて未知データに弱くなる現象です。
正則化は、モデルが複雑になりすぎないよう制約を加える対策です。
見分け方: 現象を聞かれているのか、抑える方法を聞かれているのかを分けます。
具体例から判断の境界を固める
正則化を、役割と隣接概念の境界から捉える
モデルの重みに制約を加えて複雑になりすぎるのを防ぎ、過学習を抑える手法の総称。L1正則化・L2正則化はその代表的な具体例。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- モデルの複雑さや重みに制約を加え、訓練データへの適合しすぎを抑える説明かを確認します。
- 隣接概念との境界
- 正則化は過学習対策の総称で、L1・L2やドロップアウトは具体的手法、交差検証は評価方法です。
誤答しやすい選択肢
- 未知データでの性能を測る交差検証を正則化そのものと呼ぶ。定義の主語と処理対象を確認します。
- 正則化の目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- 正則化を使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作が正則化に一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: 正則化を一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
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
線形回帰モデルに正則化を適用する際、重みの絶対値の和をペナルティとして損失関数に加えることで一部の重みを厳密に0にし、変数選択（スパースなモデル化）につながる効果を持つ手法はどれか。
正解は「ラッソ回帰」である。ラッソ回帰は線形回帰にL1正則化を適用したもので、重みの絶対値の和をペナルティとして損失関数に加えることで一部の重みを厳密に0にし、変数選択（スパースなモデル化）につながる効果を持つ。リッジ回帰は線形回帰にL2正則化を適用したもので、重みの二乗和をペナルティとして加えて重みを全体的に小さい値へ縮小するが、厳密に0にはしにくく変数選択の効果は弱い。ドロップアウトは学習中に一部のノードをランダムに無効化して過学習を抑える手法、バッチ正規化は各層に入力されるミニバッチのデータ分布を正規化して学習を安定させる手法であり、いずれも重みへペナルティ項を加える正則化ではない。
大項目4 ディープラーニングの概要 / 学習の仕組み
ニューラルネットワークの学習で、モデルの予測と正解との誤差の大きさを数値化し、その値が小さくなるように重みを更新する際の基準となる関数はどれか。
正解は損失関数。モデルの予測と正解のずれを1つの数値で表し、学習ではこの値を最小化するように誤差逆伝播法と勾配降下法で重みを調整する。活性化関数は各ニューロンの出力を非線形に変換する関数、学習率は1回の更新で重みをどれだけ動かすかを決める値、正則化は過学習を抑えるために損失に罰則を加える工夫で、いずれも誤差そのものを測る損失関数とは役割が異なる。 学習の各要素は、測る値・変換・更新幅・罰則に分けて整理する。活性化関数は出力変換、学習率は更新幅、正則化は過学習を抑える工夫であり、予測誤差そのものを数値化する損失関数が設問の基準となる。
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
バッチ正規化について、2015年の提案論文（Ioffe & Szegedy, arXiv:1502.03167）で述べられている効果の説明として、最も適切なものはどれか。
正解は「ミニバッチ単位で層への入力を正規化することで内部共変量シフトを抑え、より高い学習率を使用でき、初期化に慎重である必要も薄れ、正則化としても機能する」というバッチ正規化の説明である。バッチ正規化は2015年にIoffe & Szegedyが発表した論文（arXiv:1502.03167）で提案された手法で、この効果が述べられている。早期終了（early stopping）の説明は、検証データに対する誤差の悪化を検知して学習そのものを打ち切る手法であって、層への入力分布を正規化する手法ではない。ドロップアウトの説明は、学習の各ステップで一部のノードをランダムに無効化する手法であって、層への入力分布を正規化する手法ではない。L1正則化（ラッソ回帰）の説明は、重みへのペナルティで一部の重みを厳密に0にする手法であって、層への入力分布を正規化する手法ではない。
同じ章で確認したい用語
到達チェック
- 正則化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、正則化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）