機械学習における正則化に関する説明として、最も不適切なものを1つ選べ。
1つ選んでください
正解と解説を見る
解説
正解B
ポイント
正則化は過学習を抑え、汎化性能を高めるための工夫の総称です。値の範囲や分布をそろえる正規化とは目的が異なります。
選択肢ごとの解説
- A
適切
誤差関数に罰則項を足すと、誤差を減らすことと重みを小さく保つことの両立を目指して学習が進みます。L1正則化は絶対値の和、L2正則化は2乗の和を罰則に使います。
- B
不適切 ◯ 正解
これは正規化（Min-Max正規化）の説明です。正規化は値の尺度をそろえて学習を進めやすくする処理で、過学習を抑えるための正則化とは目的が異なります。
- C
適切
正則化は、訓練誤差ではなく汎化誤差を下げるための工夫と定義されます。訓練データの細かな癖まで覚えないよう学習に制約をかけるため、訓練誤差は多少増えることがあります。
- D
適切
ドロップアウトは誤差関数を変えるのではなく、学習のたびにネットワークの構造をランダムに変えて、特定のユニットへの依存を防ぎます。広い意味での正則化の代表例です。
試験での狙われ方
正則化と正規化のように訳語の似た用語を入れ替えた選択肢で、それぞれの目的の違いを見分けさせる形が考えられます。
関連用語
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14 正則化） 2026年10月31日閲覧
- Goodfellow, Bengio, Courville, Deep Learning (2016) （7章 冒頭（正則化の定義）） 2026年10月31日閲覧
- Srivastava et al., Dropout: A Simple Way to Prevent Neural Networks from Overfitting (2014) 2026年10月31日閲覧