情報量規準とモデルの複雑さ

モデルの複雑さとモデル選択に関する説明として、最も不適切なものを1つ選べ。

正解と解説を見る

解説

正解C

ポイント

AICとBICはどちらも値が小さいほど良いモデルです。BICはデータ数が多いほど罰則が強くなるため、より単純なモデルを選びやすくなります。

選択肢ごとの解説

A

適切

必要以上に仮定を増やさないという原則です。機械学習では、性能が同程度なら単純なモデルを選ぶことで、過学習のリスクを下げる指針になります。
B

適切

AICは「−2×最大対数尤度+2×パラメータ数」で計算します。当てはまりが良いほど第1項が小さく、パラメータが多いほど第2項が大きくなるため、値が小さいモデルを選びます。
C

不適切 ◯ 正解

BICの罰則項は「パラメータ数×データ数の自然対数」です。データ数が8以上ならAICの罰則項（パラメータ数×2）より大きくなるため、AICより単純なモデルを選びやすくなります。
D

適切

訓練データに過剰に適合すると、ノイズまで覚えてしまい、未知のデータへの汎化性能が下がります。訓練誤差と検証誤差の差が広がることが、過学習の目安になります。

試験での狙われ方

AICとBICの罰則の違いや、オッカムの剃刀と過学習の関係を、正誤の判断で問う形が典型的です。

関連用語

過学習、赤池情報量規準（AIC）、ベイズ情報量規準（BIC）、オッカムの剃刀

参考

G検定試験出題範囲（シラバス2024）第1.4版（技術分野項目10 モデルの選択・評価） 2026年10月30日閲覧
Akaike, A new look at the statistical model identification (1974) 2026年10月30日閲覧
Schwarz, Estimating the dimension of a model (1978) 2026年10月30日閲覧

オリジナル問題（過去問ではありません） AIで作成人による確認：未誤りを報告

出典と作成について

作成：ウカトレ編集部（AIで作成し、別のAIが一次資料と照合。手順は編集方針）

公開日：2026年10月30日最終更新日：2026年10月30日最終確認日：2026年10月30日

シラバス第1.4版技術10「モデルの選択・評価」の問題です。