---
title: "バッチ勾配降下法とは？【G検定対策】"
description: "バッチ勾配降下法は、学習データ全体から勾配を計算して1回のパラメータ更新を行う最適化手法です。更新方向が安定しやすい反面、データが大きいと計算時間とメモリ負荷が増える特徴を確認し、1件ずつ使う確率的勾配降下法や一部を使うミニバッチ法との違いを「更新に使う件数」で判断します。"
canonical_url: "https://stemtazoo.github.io/gk/batch-gradient-descent/"
section: "gk"
---

## まず結論

* **バッチ勾配降下法（Batch Gradient Descent）**とは、**学習データ全体を一度に使って勾配を計算し、パラメータを更新する最適化手法**である。
* G検定では「SGDとの違い」「計算コスト」「安定性」が問われる。

## 直感的な説明

* クラス全員のテスト結果を集計してから、次の授業方針を決めるイメージ。
* データ全体を見てから判断するので、**更新は慎重で安定**している。

## 定義・仕組み

* 1回の更新で使うデータ：**全学習データ**
* 手順：

  1. 全データに対して損失を計算
  2. その平均勾配を求める
  3. パラメータを更新
* ミニバッチやSGDとは異なり、更新頻度は低い。

## いつ使う？（得意・不得意）

**得意**

* データ数が少ない場合
* 損失関数が滑らかで、安定した収束が欲しい場合

**不得意・注意点**

* 大規模データでは計算量・メモリ負荷が大きい
* 1回の更新に時間がかかる

## G検定ひっかけポイント

* **「毎回ランダムに一部データを使う」→ ✕**（それはSGD）
* **「更新が不安定」→ ✕**（むしろ安定）
* **「高速に学習できる」→ △**（データ量次第）
* 判断軸は「全データを使うかどうか」

## まとめ（試験直前用）

* バッチ勾配降下法＝全データで更新
* 更新は安定だが重い
* 大規模データには不向き
* SGD・ミニバッチとの違いが頻出
* G検定では定義の切り分けが重要