はじめに

G検定の出題範囲は広いが、その中でも機械学習やディープラーニングの基礎理論は頻出分野だ。特に、ニューラルネットワークの仕組みに関する問題は毎回のように出題される。

今回は、G検定の過去問をもとに、「活性化関数」について解説する。問題の背景を押さえることで、単なる丸暗記ではなく本質的な理解が得られるはずだ。

Contents

問題：空欄に入る正しい用語は？

ニューラルネットワークで出力値を決定する関数としてReLU関数などを用いるが、それらを(●)関数と呼ぶ。

正解は「1. 活性化」

ニューラルネットワークでは、各ニューロンが受け取った信号をそのまま次の層に伝えるわけではない。
その前に「活性化関数」と呼ばれる関数を通して、値を変換する処理が行われる。

この関数の役割は以下の通り。

例えば、ReLU（Rectified Linear Unit）関数は、入力が0以下のときは0を返し、正の値はそのまま返すという非常にシンプルな関数だが、ディープラーニングの性能を飛躍的に高めたことで知られている。

活性化関数には、他にも以下のようなものがある：

関数名	特徴
シグモイド関数	出力が0〜1の範囲。古くから使われているが勾配消失の問題がある。
tanh関数	出力が-1〜1の範囲。シグモイドよりも中心がゼロに近い。
ReLU関数	単純で学習が高速。現在主流の関数。

選択肢	説明	不正解の理由
パレート	重要度や頻度の高い項目に注目する「パレートの法則」に関する用語。	ニューラルネットワークの関数とは関係がない。
目的関数	機械学習で最小化または最大化する指標（損失関数など）を指す。	出力の変換ではなく、モデルの評価に使う指標。
二乗誤差	回帰モデルの損失関数の一種。実際の値と予測値の誤差を二乗して評価する。	活性化関数とは無関係。学習の評価に使う。

このように、「ReLU関数のように出力値を決定する関数」という文脈に合致するのは、「活性化関数」しかない。

単にG検定の知識としてではなく、実務レベルでも活性化関数の理解は不可欠だ。以下のような場面で活用される。

活性化関数の選択によって、学習スピードや精度が大きく変わる。適切でない関数を使うと、学習が進まなかったり、過学習につながったりする。

CNNやRNNなどのモデル構築時、各層にどの活性化関数を使うかは基本中の基本。深層モデルを自在に設計するには、各関数の特徴を理解しておく必要がある。

KerasやPyTorchなどのフレームワークでは、モデル定義時に活性化関数を指定する。以下はKerasでReLUを使った例：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(64, activation='relu'))

このように、コードにも頻出する基本概念なので、用語だけでなく使い方も押さえておきたい。

G検定では、活性化関数の定義や代表的な関数名が問われる問題が多い。単語として覚えるだけではなく、「なぜそれが必要なのか」「何を解決するものなのか」まで理解しておくと、他の関連問題にも対応しやすくなる。

✅ 活性化関数とは、ニューロンの出力を非線形変換するための関数
✅ 代表例には、ReLU、シグモイド、tanhなどがある
✅ モデルの学習能力や性能に直結する重要な構成要素

G検定対策としても、現場で使う知識としても、活性化関数の理解は避けて通れない。復習と実践を繰り返し、確実に自分のものにしておこう。