---
title: "ベイズ最適化とは？（グリッド・ランダムとの違い）【G検定対策】"
description: "ベイズ最適化を試行回数を抑えて良いハイパーパラメータを探す方法として整理します。グリッドサーチやランダムサーチとの違い、G検定での使い分けを確認できます。本文では、基本定義、代表例、関連用語との違い、G検定で問われやすい観点まで短時間で復習できます。"
last_modified_at: "2026-05-15"
canonical_url: "https://stemtazoo.github.io/gk/bayesian-optimization/"
section: "gk"
---

## まず結論

ベイズ最適化とは、**過去の評価結果をもとに次に試すハイパーパラメータを賢く決める探索手法**であり、G検定では「グリッドサーチ・ランダムサーチとの探索戦略の違い」を理解しているかが問われる。

## 直感的な説明

3つの探索手法を、人探しにたとえると次の通りです。

* **グリッドサーチ**：

  * 町中をマス目状にすべて探す
* **ランダムサーチ**：

  * 当てずっぽうに何度か探す
* **ベイズ最適化**：

  * 「ここにいそう」という情報を使って次の場所を決める

つまり、

* グリッド：全部見る
* ランダム：適当に試す
* ベイズ：**賢く次を選ぶ**

という違いです。

## 定義・仕組み

ベイズ最適化は、

* ハイパーパラメータ
* モデル性能（評価値）

の関係を**確率モデル（代理モデル）**で近似し、

> 次に試すと「良さそう」な点

を選びながら探索します。

一般的には、

* ガウス過程などで性能を予測
* 改善が見込める点を選択

します。

重要なのは、

* **過去の結果を利用する**
* 無駄な探索を減らす

という点です。

## いつ使う？（得意・不得意）

### 得意なケース

* 評価に時間がかかるモデル
* 探索回数を少なく抑えたい場合
* ハイパーパラメータが多い場合

### 注意点

* 実装がやや複雑
* 初期探索が必要

## G検定ひっかけポイント

G検定では、**ランダムサーチとの違い**が狙われます。

### よくあるひっかけ

* ベイズ最適化はランダムに探索する → ✕
* ベイズ最適化は全探索する → ✕

### 正誤を切る判断基準

* **過去の結果を使う？** → ベイズ最適化
* **全組み合わせ？** → グリッドサーチ
* **回数指定でランダム？** → ランダムサーチ

## まとめ（試験直前用）

* グリッド：全探索
* ランダム：ランダム試行
* ベイズ：過去結果を使って次を決める
* 探索効率が高い
* G検定では「戦略の違い」を問われる