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。
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
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。 選択肢を切るときは、設問の条件を「交差検証（クロスバリデーション）」「ホールドアウト法」「混同行列」のどれに結び付けるかを先に固定する。「ホールドアウト法」、「混同行列」、「正則化」は名称が近い、または同じ分野に見える場合があるが、対象・役割・前提が設問文とずれる。正解の「交差検証」は、問われている定義や状況に最も直接対応する点で選べる。
大項目3 機械学習の概要 / モデルの評価と過学習
二値分類モデルについて、判定のしきい値をさまざまに変えたときの真陽性率と偽陽性率の関係を曲線で表し、モデルの識別性能を評価する方法はどれか。
正解は「ROC曲線とAUC」である。ROC曲線は判定しきい値ごとの真陽性率と偽陽性率の関係を表し、曲線下面積であるAUCは識別性能の指標として使われる。k分割交差検証とホールドアウト法はデータ分割による評価方法、L2正則化は過学習を抑える学習上の工夫であり、しきい値を変えた識別性能の曲線ではない。 選択肢を切るときは、設問の条件を「ROC曲線」「AUC」「交差検証（クロスバリデーション）」のどれに結び付けるかを先に固定する。「k分割交差検証」、「L2正則化（リッジ回帰）」、「ホールドアウト法」は名称が近い、または同じ分野に見える場合があるが、対象・役割・前提が設問文とずれる。正解の「ROC曲線とAUC」は、問われている定義や状況に最も直接対応する点で選べる。
大項目3 機械学習の概要 / モデルの評価と過学習
データを複数の部分に分け、各部分を順番に検証用として使いながらモデル性能を評価する方法はどれか。
正解は「k分割交差検証」である。k分割交差検証はデータをk個に分け、検証に使う部分を入れ替えながら性能を評価する方法である。L1正則化は過学習を抑える制約、混同行列は分類結果の集計表、学習曲線はデータ量や学習状況に対する性能変化を見る図であり、分割を入れ替える評価方法ではない。 選択肢を切るときは、設問の条件を「k分割交差検証」「交差検証（クロスバリデーション）」「L1正則化（ラッソ回帰）」のどれに結び付けるかを先に固定する。「L1正則化（ラッソ回帰）」、「混同行列」、「学習曲線」は名称が近い、または同じ分野に見える場合があるが、対象・役割・前提が設問文とずれる。正解の「k分割交差検証」は、問われている定義や状況に最も直接対応する点で選べる。
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