G検定 用語解説
決定木／ランダムフォレストとは
条件分岐で予測する決定木と、多数の決定木を組み合わせて精度を高めるランダムフォレスト。
まず押さえる結論
決定木／ランダムフォレストは、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。
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 / 機械学習の種類
正解ラベルが与えられていないデータから、データに潜む構造やまとまりを自動的に見つけ出すことを目的とする学習の枠組みはどれか。
正解ラベルを使わずデータ内部の構造やまとまり（クラスタなど）を抽出するのは教師なし学習。教師あり学習は入力と正解ラベルの対応を学ぶため誤り。強化学習は報酬を手がかりに方策を学ぶ枠組みで、構造抽出が目的ではない。深層強化学習も報酬最大化を目指す強化学習の一種であり該当しない。
大項目3 機械学習の概要 / 機械学習の種類
エージェントが環境と試行錯誤しながら行動し、得られる報酬の総和が最大になるような方策を獲得していく学習の枠組みはどれか。
報酬を手がかりに試行錯誤して方策を学ぶのは強化学習。教師あり学習は正解ラベル付きデータから入出力関係を学ぶもので報酬の概念はない。教師なし学習はラベルなしデータの構造抽出が目的。アンサンブル学習は複数のモデルを組み合わせて精度を高める手法であり、学習の枠組みそのものではない。
大項目3 機械学習の概要 / 機械学習の種類
教師あり学習のうち、住宅価格や気温のように連続した数値そのものを予測することを目的とするタスクはどれか。
連続値を予測する教師ありタスクは回帰。分類は離散的なカテゴリ（クラス）を予測するタスクで、連続値の予測ではない。クラスタリングはラベルなしデータをグループに分ける教師なしの処理。次元削減は特徴量の数を減らす処理であり、いずれも数値そのものを予測する目的ではない。
同じ章で確認したい用語
到達チェック
- 決定木／ランダムフォレスト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、決定木／ランダムフォレスト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