g-kentei-kei

ホールドアウト検証（ホールドアウト法） 解説：一発勝負のテスト ホールドアウト検証は、手持ちのデータを1回だけ「学習用（訓練データ）」と「テスト用（検証データ）」に切り分けて検証する手法です。通常は「7:3」や「8:2」くらいの割合で分割し...

汎化誤差 (Generalization Error) 解説 汎化誤差（テスト誤差）とは、学習済みモデルが「まだ見たことのない未知のデータ」に対して、どれくらい正確に予測できるかを示す指標です。 「本番の試験」で点数が取れるか？ 訓練誤差と...

訓練誤差 (Training Error) 解説 訓練誤差（学習誤差）とは、モデルを学習させるために使ったデータ（訓練データ）に対して、どれくらい予測を間違えたかを示す指標です。 「過去問」で100点を取っても意味がない？ この概念は、受験...

過学習（オーバーフィッティング） 解説：勉強しすぎて応用がきかない状態 過学習（Overfitting）とは、AIモデルが手元の「訓練データ」に適応しすぎてしまい、未知のデータ（テストデータ）に対して正しく予測できなくなる状態のことです。 ...

汎化性能 解説 汎化性能（Generalization Performance）とは、学習済みモデルが「未知のデータ（学習に使っていない新しいデータ）」に対して、どれだけ正しく予測できるかを示す能力のことです。 機械学習モデルは、手元の訓練...

モンテカルロ法 解説 モンテカルロ法とは、乱数を用いた試行（シミュレーション）を何千、何万回と繰り返すことで、その結果を統計的に処理し、解の近似値を求める手法の総称です。 「数打ちゃ当たる」の統計学 解析的に（数式だけで）解くのが不可能な複...

ブルートフォース（力任せ探索） 解説 ブルートフォース（力任せ探索）とは、考えられる全ての選択肢をしらみつぶしに（総当たりで）試していく、最も単純で原始的な探索手法です。 「確実」だが「終わらない」 例えば、4桁の暗証番号を「0000」から...

深さ優先探索（DFS）と幅優先探索（BFS）の比較 探索アルゴリズムの中でも基本となる「深さ優先探索（DFS）」と「幅優先探索（BFS）」。G検定ではこの2つの「探索の動き方の違い」と「メリット・デメリット」の比較が頻出です。それぞれの特徴...

ハノイの塔 解説 ハノイの塔とは、3本の杭と、大きさの異なる複数の円盤からなる古典的な数学パズルであり、AI研究においては「トイ・プロブレム（おもちゃの問題）」の最も有名な例の一つです。 ルールとAIにおける意義 「1回に1枚しか動かせない...

探索木（Search Tree） 解説 探索木（Search Tree）とは、問題解決において、「現在の状態」から可能な「次の状態」への分岐を、木（ツリー）の構造で表現したものです。 構成要素（ノードとエッジ） 探索木は主に以下の要素で構成...