【G検定過去問風テスト】精度と解釈性のトレードオフ

2026年8月8日 2026年8月8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

AIモデルの開発や選定における「精度と解釈性のトレードオフ（Accuracy vs Interpretability Trade-off）」に関する記述として、最も適切な選択肢を1つ選べ。

A）モデルの予測精度が高くなればなるほど、内部構造やパラメータが複雑化するため、一般的に解釈性が低下するというジレンマのことである
B）モデルの解釈性を高めれば高めるほど、予測精度も同時に無限に向上し、ブラックボックス問題が完全に解消されるという法則のことである
C）決定木や線形回帰などのホワイトボックスモデルは、ディープラーニングモデルと比較して予測精度が圧倒的に高い反面、解釈性が著しく低いという関係のことである
D）ディープラーニングモデルは、高い予測精度を誇りながら内部のすべての計算過程を人間が直感的に完璧に理解できるという特徴を持つことである

🔍 ここをクリックして正解を見る

正解: A）モデルの予測精度が高くなればなるほど、内部構造やパラメータが複雑化するため、一般的に解釈性が低下するというジレンマのことである

💡 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

「精度と解釈性のトレードオフ」とは、「精度を取るか、分かりやすさ（解釈性）を取るか」というAI開発における表裏一体の関係のこと
複雑なディープラーニングは精度◎・解釈性✕、シンプルな決定木や線形回帰は精度△・解釈性◎となる

■ 初学者向け解説（例え話や背景）

世の中の仕組みとして、「ものすごく高性能で正確だけど、構造が複雑すぎてだれも中身を直せない機械」と「構造がシンプルでだれでも直せるけど、そこそこの性能しか出ない機械」があったとき、両方の特徴を完璧に最高峰にすることは難しいですよね。AIの世界でもこれと全く同じ問題が起きます。

これが「精度と解釈性のトレードオフ」です。ディープラーニングは、数百万〜数千億個ものパラメータを駆使して驚異的な予測精度（性能）をたたき出す反面、中身が複雑すぎて「ブラックボックス化（解釈性が低下）」してしまいます。一方で、決定木などのシンプルなモデルは中身が透けて見えて解釈しやすい反面、複雑なパターンを捉えるのは少し苦手になります。このジレンマを理解しておくことが、現場で適切なモデルを選ぶための第一歩となります。

■ 選択肢の解説

A) モデルの予測精度が高くなればなるほど、内部構造やパラメータが複雑化するため、一般的に解釈性が低下するというジレンマのことである（○）: トレードオフの本質を正確に表しています。
B) モデルの解釈性を高めれば高めるほど、予測精度も同時に無限に向上し、ブラックボックス問題が完全に解消されるという法則のことである（×）: 精度と解釈性はトレードオフ（一長一短の関係）であるため誤りです。
C) 決定木や線形回帰などのホワイトボックスモデルは、ディープラーニングモデルと比較して予測精度が圧倒的に高い反面、解釈性が著しく低いという関係のことである（×）: 精度と解釈性の関係が逆転しています（ホワイトボックスモデルは解釈性が高い反面、ディープラーニングに比べて精度はやや劣る傾向があります）。
D) ディープラーニングモデルは、高い予測精度を誇りながら内部のすべての計算過程を人間が直感的に完璧に理解できるという特徴を持つことである（×）: ディープラーニングは解釈性が低い（ブラックボックス問題）のが特徴であるため誤りです。

リンク