多層パーセプトロン（MLP）は重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network mlp

G検定トップ ＞ 多層パーセプトロン（MLP）

まず結論

  • 多層パーセプトロン（MLP）は中間層を持つニューラルネットワーク
  • 非線形問題（XORなど）を解ける
  • 誤差逆伝播法（Backpropagation）で学習する

直感的な説明

単層パーセプトロンは、

「一直線で分けられるか？」

しか判断できませんでした。

MLPでは 中間層（隠れ層） が入ることで、

  • 小さな判定をいくつも組み合わせる
  • 境界線を“折り曲げる”ような表現ができる

ようになります。

イメージとしては、

  • 単層：定規で1本線を引く
  • MLP：折り紙を何回も折って分ける

と考えると分かりやすいです。

定義・仕組み

ネットワーク構造

MLPは、次の層で構成されます。

  • 入力層
  • 中間層（1層以上）
  • 出力層

各層では、

[ \text{出力} = f\left( \sum_i w_i x_i + b \right) ]

という計算を行い、 活性化関数には非線形関数（ReLU、Sigmoid など）が使われます。

なぜXORが解ける？

  • 中間層が 特徴の組み合わせ を表現できる
  • 単純な判定を重ねることで、非線形な境界を作れる

これにより、

線形分離できない問題も扱える

ようになります。

学習方法

MLPは 誤差逆伝播法（Backpropagation） により学習します。

  1. 順伝播で出力を計算
  2. 正解との差（誤差）を計算
  3. 誤差を後ろから伝えて重みを更新

いつ使う？（得意・不得意）

得意なこと

  • 非線形な分類・回帰問題
  • XORのような単層では解けない問題
  • 表形式データ（特徴量が整理されたデータ）

苦手なこと

  • 画像や時系列の構造を直接扱うのは不得意
  • 層やノードを増やしすぎると 過学習 しやすい

画像 → CNN、時系列 → RNN がよく使われる理由です。

G検定ひっかけポイント

  • ❌「MLPは線形モデル」 → 誤り
  • ❌「中間層がなくてもXORを解ける」 → 誤り
  • ✅ 非線形活性化関数 + 中間層 がポイント
  • ✅ 学習方法は 誤差逆伝播法
  • ✅ MLP = 全結合ニューラルネットワーク（Fully Connected NN）

まとめ（試験直前用）

  • MLPは 中間層を持つNN
  • 非線形問題を解ける（XORが代表例）
  • 学習は 誤差逆伝播法
  • 画像や系列では専用構造（CNN/RNN）が使われる

👉 次は 活性化関数 をまとめると理解が一気につながります。

🔗 関連記事

🏠 G検トップに戻る