【G検定過去問風テスト】特徴量の増加がもたらす機械学習の落とし穴とは？

2026年7月17日 2026年7月21日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

予測モデルの精度を向上させるために、分析に用いる「特徴量の数（次元）」を増やすアプローチが考えられる。しかし、次元を増やしすぎると、データ空間の体積が指数関数的に増大し、限られたデータ量では空間内がスカスカになってしまい、かえって学習がうまく進まなくなる現象を何と呼ぶか。最も適切な選択肢を1つ選べ。

A）オーバーフィッティング
B）次元の呪い
C）局所最適解
D）勾配消失問題

🔍 ここをクリックして正解を見る

正解: B）次元の呪い

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

特徴量（分析の切り口）を増やしすぎると、データが散らばって共通点を見つけにくくなる。
データ空間が「スカスカ」になるこの現象を「次元の呪い」と呼び、機械学習の設計において避けるべき超重要テーマ。

■ 初学者向け解説（例え話や背景）

この現象は、「だだっ広い100階建ての巨大デパートで、友達とかくれんぼをする」ようなものです。

もし「1階のワンフロア（1次元）」だけでかくれんぼをすれば、範囲が狭いのですぐに友達を見つけることができますよね（データが密集している状態）。
しかし、これが「100階建てのビル（100次元）」に拡張されたらどうでしょう？
部屋やフロアの数が多すぎて、友達を見つけ出すのは不可能に近くなります（データがスカスカな状態）。

AIの世界でも全く同じです。予測の精度を上げようとして「あれもこれも」と分析する項目（次元）を増やしすぎると、データ空間が天文学的に広がり、データ同士の共通のパターンが埋もれて見つけ出せなくなってしまいます。試験では「次元を増やすと密度が高まり効率化する」という逆のひっかけパターンが頻出なので注意しましょう！

■ 選択肢の解説

A) オーバーフィッティング（×）: 日本語では「過学習」と呼びます。訓練データにばかり過剰に適応してしまい、本番（未知のデータ）での予測精度が落ちてしまう現象のことです。
B) 次元の呪い（○）: 特徴量（次元）の増加に伴ってデータ空間が爆発的に広がり、学習が困難になる現象を指す正しい説明です。
C) 局所最適解（×）: 全体の中での本当のベスト（全体最適解）ではない、局所的な最適解のことです。
D) 勾配消失問題（×）: 層の深いネットワークにおけるディープラーニングにおいて、出力層側から遡るエラーの情報（勾配）が掛け算の繰り返しによって極端に小さくなり、入力層に近い浅い層が更新されず学習が進まなくなる現象です。

リンク