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。
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）比較記事でさらに確認する
具体例から判断の境界を固める
決定木／ランダムフォレストを、役割と隣接概念の境界から捉える
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。 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
- 条件分岐だけで予測する単体の決定木か、多数の決定木を組み合わせるランダムフォレストかを区別しているかを確認します。
- 隣接概念との境界
- 決定木は1本の木で予測しモデルの中身を追いやすく、ランダムフォレストは多数の木を組み合わせる分、内部の働きが理解しにくくなる点で区別します。
誤答しやすい選択肢
- ランダムフォレストも単体の決定木と同じくらいモデルの中身を追いやすいとする。定義の主語と処理対象を確認します。
- 決定木／ランダムフォレストの目的だけを見て、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。
- 決定木／ランダムフォレスト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決定木／ランダムフォレスト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: 決定木／ランダムフォレストを一文で説明し、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
×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
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。
正解は「回帰」である。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。住宅価格や気温のように大小関係を持つ数値をそのまま出す点が決め手になる。予測結果が「高い/低い」のラベルではなく、金額や温度のような量として出るなら回帰に分類する。
大項目3 機械学習の概要 / 代表的な手法
異なるクラスのデータ点との間隔（マージン）が最大になるように識別の境界を決定する、教師あり学習の代表的な分類手法はどれか。
正解は「サポートベクターマシン」である。マージン最大化によって識別境界を引くのはサポートベクターマシン。k近傍法は近くにある既知データ点の多数決で分類する手法でマージンの概念は用いない。ナイーブベイズは特徴量の条件付き独立を仮定した確率に基づく分類手法。主成分分析は教師なしの次元削減手法であり分類器ではない。「異なるクラスとの間隔を最大にする境界」という表現がSVMの目印になる。近傍の多数決や確率計算ではなく、境界線と余白の取り方を問われている点を重視する。
大項目3 機械学習の概要 / 代表的な手法
ラベルのないデータを、あらかじめ指定した数のグループに分け、各グループの重心を更新しながら振り分けを繰り返す教師なし学習の手法はどれか。
正解は「k-means法」である。指定した個数のグループの重心を更新しながらデータを振り分けるのはk-means法。k近傍法は近くの既知ラベルを参照して分類する教師あり手法で、重心更新やグループ生成は行わない。主成分分析は次元削減手法。ロジスティック回帰はラベル付きデータで分類確率を学ぶ教師あり手法であり、いずれも該当しない。設問では「ラベルなし」「指定した数のグループ」「重心更新」の3点がk-means法を示している。k近傍法と名前が似ているが、k-meansは教師なしのクラスタリング、k近傍法は既知ラベルを使う分類手法である。
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
執筆: ミナト編集部（運営者情報を見る）