2026.05.04

【G検定対策】活性化関数とは？わかりやすく整理

seo-webmaster

プロモーションが含まれています

ニューラルネットワークが「ただの計算機」で終わるか「賢いAI」になるか、その分かれ道が 活性化関数 です。

もし、この仕組みがなければ、AIは単純な直線しか表現できず、画像認識や翻訳のような複雑な処理はできません。

つまり、活性化関数はAIの「表現力」を決める超重要パーツです。

この記事では、初心者でも一発で理解できるように、仕組み・役割・代表的な種類を図解ベースで整理します。

ジャンプするもくじ

活性化関数とは？
なぜ活性化関数は必要か？
活性化関数の仕組み
活性化関数の代表的な種類
活性化関数を使用するメリット
活性化関数を使用するデメリット
損失関数との違い
注意点
G検定ではどう問われる？
まとめ
関連記事・おすすめ記事

活性化関数とは？

活性化関数とは…

　活性化関数＝出力に「変化（クセ）」をつける関数

です。

そのまま出力するとただの足し算になる
変化をつけることで「非線形」になる

非線形とは「まっすぐなルールだけでは説明できない複雑な関係」のことです。
活性化関数は、AIにその複雑さを表現する力を与えます。

なぜ活性化関数は必要か？

活性化関数がないと…

線形計算だけだと「単純な足し算」しかできない
複雑なパターン（画像・言語）が表現できない

活性化関数がないと、どれだけ層を増やしても「結局1回の計算」と同じになる。
つまり、AIが賢くなりません。

活性化関数の仕組み

活性化関数の仕組みをまとめると下記の特徴があげられます。

入力値を受け取る
一定のルールで変換する
出力を次の層へ渡す

「どれくらい強く反応するか」を調整している

活性化関数の代表的な種類

ReLU（最重要）

0未満は0、0以上はそのまま（現在の主流）

■ 特徴

計算が速い
勾配消失しにくい
ディープラーニングの標準

シグモイド

0〜1に圧縮する（確率っぽい出力）

■ 補足

昔は主流
勾配消失が起きる
現在は出力層で使われることが多い

tanh

-1〜1に圧縮（シグモイドの強化版）

■ 補足

0中心で扱いやすい
それでも勾配消失は起きる
RNNで使われることがある

Leaky ReLU

マイナスも少しだけ通すReLU

■ 補足

ReLUの欠点（死んだニューロン）対策
負の値もわずかに出力

ソフトマックス（Softmax）

合計1になる確率分布に変換

■ 補足

分類問題で使用
「どれが一番か」を出す
G検定頻出

活性化関数一覧表

G検定で頻出の活性化関数はこれまで記載しましたが、シラバスに掲載されているものをまとめました。

活性化関数を使用するメリット

活性化関数を使用するメリットとして下記があげられます。

複雑なパターンを学習できる
モデルの表現力が向上する
出力の値を適切に変換できる

「非線形性」を持たせるのが最大の役割

活性化関数を使用するデメリット

活性化関数を使用するデメリットとして下記があげられます。

勾配消失問題が発生することがある
（シグモイドで発生）
学習が遅くなる

勾配消失問題とはAIが学習するときに使う「修正のヒント」が小さくなりすぎて、うまく学習できなくなる問題です。

特にシグモイドはG検定でよく狙われる

損失関数との違い

役割がまったく違います。

損失関数 → 間違いを測る

活性化関数 → 出力を決める

注意点

G検定で頻出される活性化関数の特徴に下記があげられます。

ReLUが現在の主流
シグモイド → 勾配消失
tanh → 改良版

「なぜReLUが使われるか」はよく出る

G検定ではどう問われる？

下記の点が頻出です。

活性化関数はなぜ使われるのか
ReLUの特徴
シグモイドの問題点
非線形性を導入するものは？

まとめ

活性化関数＝出力を変換する仕組み
これがないとAIは賢くならない
ポイントは「非線形」

活性化関数は「出力するかを決めるスイッチ」であり、ディープラーニングに不可欠な要素です。

これにより単純な計算だけでは表現できない複雑なパターンを学習できるようになります。現在はReLUが主流ですが、シグモイドやtanhとの違いも重要なポイントです。

特にG検定では「ReLUの特徴」、「シグモイドの欠点（勾配消失）」が頻出なので確実に押さえておきましょう。