【G検定過去問風テスト】PDP（部分従属プロット）による大域的分析

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モデルの予測傾向を把握するための大域的な解釈手法である「PDP（Partial Dependence Plot：部分従属プロット）」に関する記述として、最も適切な選択肢を1つ選べ。

A）特定の1つの入力データの周辺だけにノイズを加えて、その局所的な領域の挙動をシンプルな線形モデルで近似する手法である
B）特定の1〜2個の特徴量が変化したときに、モデルの予測値が全体としてどのように変化するかをグラフ化して可視化する大域的な分析手法である
C）協力ゲーム理論のシャープレイ値に基づいて、各特徴量の予測結果に対する貢献度を公理的に算出する手法である
D）畳み込み層の最後尾の特徴マップに対する予測クラスの勾配情報を利用し、画像のどこを見て判断したかをヒートマップとして表示する手法である

🔍 ここをクリックして正解を見る

正解: B）特定の1〜2個の特徴量が変化したときに、モデルの予測値が全体としてどのように変化するかをグラフ化して可視化する大域的な分析手法である

💡 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

「PDP（Partial Dependence Plot：部分従属プロット）」は、「ある特徴量（例：年収）が上がると、AIの予測値（例：ローンの承認確率）が全体としてどう右肩上がりに（あるいは右肩下がりに）変化するか」を2次元のグラフで表す大域的な分析手法
特定の1点ではなく、モデル全体の傾向（グローバル）を把握するのに適している

■ 初学者向け解説（例え話や背景）

AIのモデルが「全体としてどの要素をどれくらい重視しているのか」を知りたいとき、データを1つずつ見るのではなく、全体の傾向をグラフで見られたら便利ですよね。PDPはその願いをかなえてくれる「見取り図」のようなものです。

例えるなら、「気温（特徴量）が上がると、アイスクリームの売上（予測値）がどう増えていくか」を表した折れ線グラフのようなものです。PDPを使えば、「このAIモデルは、年齢が〇歳を超えるあたりから急にローン評価を厳しくするんだな」という全体のクセ（傾向）を視覚的にひと目で把握することができます。

■ 選択肢の解説

A) 特定の1つの入力データの周辺だけにノイズを加えて、その局所的な領域の挙動をシンプルな線形モデルで近似する手法である（×）: これはLIMEの説明です。
B) 特定の1〜2個の特徴量が変化したときに、モデルの予測値が全体としてどのように変化するかをグラフ化して可視化する大域的な分析手法である（○）: PDPの本質を正確に表しています。
C) 協力ゲーム理論のシャープレイ値に基づいて、各特徴量の予測結果に対する貢献度を公理的に算出する手法である（×）: これはSHAPの説明です。
D) 畳み込み層の最后尾の特徴マップに対する予測クラスの勾配情報を利用し、画像のどこを見て判断したかをヒートマップとして表示する手法である（×）: これはGrad-CAMの説明です。