生成AIパスポート 用語解説
特徴量とは
データの特徴を数値で表したもので、AIが学習や予測を行う際の入力となる。
まず押さえる結論
特徴量は、生成AIパスポートの「第1章 AI（人工知能）」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: 2026-06-27。
公式シラバス（PDF）（公式）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
×教師あり学習・教師なし学習・強化学習の取り違え。クラスタリングや次元削減は「教師なし」、分類や回帰は「教師あり」、報酬を手がかりに学ぶのが「強化学習」。
×弱いAI（ANI）と強いAI（AGI）の混同。特定の課題に特化するのが弱いAI、人間のように幅広い課題へ汎用的に対応できるとされるのが強いAI。
×AIブームと中心技術の対応ずれ。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とビッグデータ。
関連する確認問題
第1章 AI（人工知能） / AIに知能をもたらす仕組み
故障予測へ温度と振動を渡すとき、この2項目が該当する概念の正しい説明はどれか。
この事例では「データから予測に有用な性質を数値として表したものか」を確認すると、特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式であるに絞れる。正解は「特徴量とは、データから規則性を学ばせるのではなく、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である」（誤り）である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、設問の説明はルールベースの定義を特徴量に誤って当てはめている。学習済みモデル・ルールベース・機械学習の説明はいずれも正しい。特徴量とルールベースは、AIがどのように判断材料を得るかという点で異なる概念であり、混同されやすいため注意が必要である。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
ニューラルネットワークの過学習を抑えるための手法として適切なものはどれか。
正解は「ドロップアウト」である。設問が求めているのは、ニューラルネットワークの過学習を抑えるための具体的な手法である。ドロップアウトは学習時に一部のノードを無効化し、特定のノードに依存しすぎることを抑える。選択肢を判断するときは、対象がニューラルネットワークか、目的が過学習の抑制か、学習時に行う操作かを確認する。特徴量はデータを表す変数、探索は解を探す手法、クラスタリングはラベルなしデータをまとめる教師なし学習であり、いずれもこの3条件を満たさない。
第1章 AI（人工知能） / AIの種類
画像認識や将棋など、特定の領域・課題に限って能力を発揮するAIを何というか。
正解は「弱いAI（ANI）」である。画像認識や将棋のように、能力を発揮する領域や課題が限定されているAIを弱いAI（ANI）と呼ぶ。この問題では、AIができる処理の内容ではなく、対応できる課題の範囲を問うている。強いAI（AGI）は人間のように幅広い課題へ汎用的に対応する区分なので、範囲の広さが反対である。特徴量はデータの特徴を表す変数、エキスパートシステムは専門知識をルール化した仕組みであり、どちらも能力範囲によるAIの区分ではない。「特定」か「幅広い」かを最初に読むと判断できる。
同じ章で確認したい用語
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）