【G検定過去問風テスト】ホールドアウト検証とk-分割交差検証の違い・メリットを完全攻略！

2026年7月24日 2026年7月24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

機械学習におけるモデルの検証方法に関する記述として、最も適切な選択肢を1つ選べ。

A）ホールドアウト検証は、手元にあるデータを分割せずにすべてのデータを訓練データとテストデータとして繰り返し兼用する手法である。
B）k-分割交差検証（k-fold cross validation）は、データをk個に分割し、テストデータを入れ替えながらk回の学習・評価を行い、その評価の平均値を最終的な性能評価とする手法である。
C）データ量が十分に少ない場合は、データの分割による偶然の偏りが生じるリスクがないため、交差検証よりもホールドアウト検証を用いることが推奨される。
D）k-分割交差検証では、分割数（kの数）を増やすほど計算負荷（学習時間）が大幅に軽減されるという利点がある。

🔍 ここをクリックして正解を見る

正解: B）k-分割交差検証（k-fold cross validation）は、データをk個に分割し、テストデータを入れ替えながらk回の学習・評価を行い、その評価の平均値を最終的な性能評価とする手法である。

💡 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

ホールドアウト検証：データを「7:3」などに1度だけバッサリ固定分割するシンプルな手法。データが非常に多い場合に適しているが、データの偏りリスクがある。
k-分割交差検証（クロスバリデーション）：データをk個に小分けにし、テスト役をローテーションしながらk回繰り返しテストして平均を取る手法。データが少ない時でも無駄なく信頼性の高い評価ができる！

■ 初学者向け解説（例え話や背景）

AIのテストで一番怖いのは、「たまたま模試（テストデータ）に意地悪なひっかけ問題ばかり集まってしまい、実力があるAIなのに点数が低く評価されてしまう」ようなデータの偏り（運の悪さ）です。

1. ホールドアウト検証＝一発勝負の定期テスト
手元のデータを1回だけ固定で「訓練用」と「テスト用」に分ける方法です。手軽で高速ですが、一発勝負ゆえに「テスト用データ」に偏りがあると、AIの実力を正しく測れません。

2. k-分割交差検証＝テスト範囲をローテーションする全席順テスト
例えばデータを5つに分け（k=5）、グループ1をテスト用に残り4つを訓練用に。次はグループ2をテスト用に…と、全員が順番にテスト役を担当して計5回の平均点を出します。
これなら「たまたまテスト問題が悪かった」という言い訳が通用せず、手元の全データを無駄なく評価に使えます！

■ 選択肢の解説

A) ホールドアウト検証は、手元にあるデータを分割せずにすべてのデータを訓練データとテストデータとして繰り返し兼用する手法である。（×）: ホールドアウト検証はデータを訓練用とテスト用に「固定して1回だけ分割」する手法です。同じデータを訓練とテストで兼用することはありません。
B) k-分割交差検証（k-fold cross validation）は、データをk個に分割し、テストデータを入れ替えながらk回の学習・評価を行い、その評価の平均値を最終的な性能評価とする手法である。（○）: 正解です！テストデータを交代しながらk回のテストを行い、平均値を算出するのが交差検証の定義です。
C) データ量が十分に少ない場合は、データの分割による偶然の偏りが生じるリスクがないため、交差検証よりもホールドアウト検証を用いることが推奨される。（×）: データ量が少ないときこそ、たまたまな偏りが起きやすいため「k-分割交差検証」が推奨されます。ホールドアウト検証は「ビッグデータ（データが十分に多い時）」に向いています。
D) k-分割交差検証では、分割数（kの数）を増やすほど計算負荷（学習時間）が大幅に軽減されるという利点がある。（×）: 分割数（k）を増やすほど学習・テストを繰り返す回数が増えるため、計算負荷や実行時間は「増大」します。

リンク