G検定 用語解説
特徴量とは
予測や分類の手がかりとして、データから抽出した個々の測定可能な性質や特性。
まず押さえる結論
特徴量は、G検定の「大項目2 人工知能をめぐる動向」に出てくる用語です。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: 2026-10-02。
試験概要（公式）比較記事でさらに確認する
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
「大項目2 人工知能をめぐる動向」の問題で、取り違えやすい組み合わせです。
- 各AIブームと、その中心になった技術の組み合わせの取り違え。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニング。
- フレーム問題とシンボルグラウンディング問題の混同。フレーム問題は『起こりうる事柄をすべて考慮しきれない』問題、シンボルグラウンディング問題は『記号と実世界の意味を結びつけられない』問題。
- 知識獲得のボトルネック（専門知識をルール化する作業の困難さ）をエキスパートシステムの利点と取り違える。
関連する確認問題
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
迷惑メール判定で使う単語の出現回数や、画像認識で使う輪郭・色など、機械学習モデルが予測の手がかりとして扱うデータの性質や変数を何というか。
正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
量が膨大で、種類も多く、生成される速度も速いために、従来の方法では扱いにくいデータの集まりを指す用語はどれか。
量、種類、速度の3つの面で従来の方法では扱いにくいデータの集まりを指すので、データの集まりそのものの名称が問われている。正解は「ビッグデータ」である。ビッグデータは、量が膨大で、種類も多く、生成される速度も速いデータの集まりを指し、機械学習が発展する背景の1つになった。「特徴量」は予測の手がかりとなる変数、「データマイニング」は大量のデータから知見を取り出す手法、「次元の呪い」は特徴量が増えるほどデータが疎になる問題であり、いずれもデータの集まりそのものを指す用語ではない。したがって、設問の用語はビッグデータである。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
特徴量が増えすぎると、必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題はどれか。
特徴量の増加とデータ量・判断精度の関係を問う設問であり、正解は「次元の呪い」である。扱う特徴量の数が増えるほど、その空間を埋めるのに必要なデータ量が急増し、距離や密度に基づく判断が効きにくくなるという、次元数とデータ量・判断精度の関係を表す語であることが決め手になる。AI効果は実現した技術の仕組みが分かるとAIと見なされにくくなるという認識上の現象、知識獲得のボトルネックは専門知識を規則化する作業の手間、フレーム問題は行動に伴う変化の範囲を区別する推論上の難しさを表す語であり、いずれも特徴量の次元数が増えること自体を論点にした語ではない。設問文が示す『特徴量が増える、必要なデータ量が急増する』という対応関係に一致するのは次元の呪いだけである。
同じ章で確認したい用語
他資格でも出題される用語
到達チェック
- 特徴量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、特徴量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）