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: 2026-08-31。
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
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。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
機械学習において、大量のデータで訓練を終え、新しいデータに対して予測や分類を行えるようになったものを何というか。
正解は「学習済みモデル」である。設問は、大量のデータを使う訓練が終わった後に、新しいデータを受け取って予測や分類を行うものの名称を問うている。この一連の処理を実行する成果物が学習済みモデルである。クラスタリングはラベルのないデータを似たまとまりに分ける学習手法、ルールベースは人間が記述した規則に従う方式、特徴量は予測や分類の材料になる変数を指す。したがって、手法・方式・入力材料ではなく、訓練後に推論を担うものを選ぶ。問題文の「訓練を終え」「新しいデータに対して」という時間順序を押さえると、学習済みモデルへ絞れる。
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）