「よし、G検定の勉強を始めたぞ！」 「機械学習の基本はなんとなくわかってきたけど、『分類問題』って具体的に何だっけ？」 「いろんなアルゴリズムや評価指標が出てきて、頭が混乱してきた…」
G検定の学習を進める中で、このように感じている方はいませんか？
「分類問題」は、G検定のシラバス「機械学習の具体的手法」の中でも特に重要なトピックの一つです。 ここをしっかり理解できているかどうかは、合否を分けるポイントと言っても過言ではありません。
でも、安心してください！この記事を読めば、
- 分類問題の基本がスッキリわかる！
- G検定でよく問われる分類の種類やアルゴリズムの違いが明確になる！
- 複雑に見える評価指標の意味と使い分けが理解できる！
- G検定の分類問題で確実に得点するための知識が身につく！
ようになります。
この記事では、AIや機械学習の基本用語（教師あり学習、特徴量など）は既に学んだあなたが、分類問題への理解をさらに深め、G検定合格をグッと引き寄せるためのお手伝いをします。単なる知識の丸暗記ではなく、「なぜそうなるのか？」を理解し、実践的な力も養えるように、図解や具体例、簡単なコード例も交えながら徹底的に解説していきます。
さあ、一緒に分類問題の世界を探求し、G検定合格への道を切り拓きましょう！
まずは基本！機械学習の「分類問題」って何？
機械学習のタスクは様々ですが、「分類問題」とは、入力されたデータが、あらかじめ決められた複数のカテゴリ（クラスやラベルとも呼ばれます）のうち、どれに属するかを予測する問題のことです。
例えば、メールの内容を見て「スパム」か「非スパム」かを判断したり、画像に写っている動物が「犬」か「猫」か「鳥」かを識別したりするのが分類問題にあたります。
ポイントは、予測結果が「離散的なカテゴリ値」であることです。これは、株価や気温のように「連続的な数値」を予測する「回帰問題」との大きな違いです。
- 分類問題: 結果がカテゴリ（例：スパム/非スパム、犬/猫/鳥、血液型A/B/O/AB）
- 回帰問題: 結果が連続値（例：明日の気温25.5℃、株価15,000円、身長170.2cm）
分類問題は、「教師あり学習」という学習方法の一種です。教師あり学習では、事前に用意された「正解ラベル付きのデータ（教師データ）」を使ってモデルを学習させ、未知のデータに対する予測能力を獲得します。
身近にあふれる「分類問題」の世界 – 具体例でイメージを掴もう！
分類問題は、実は私たちの身の回りの様々な技術やサービスで活躍しています。具体的な例を見て、イメージを膨らませてみましょう。
- スパムメール判定（二値分類）:
- 何をする？: 受信したメールが「迷惑メール（スパム）」か「普通のメール（非スパム）」かを自動で振り分ける。
- どんなデータから？: メールの件名や本文に含まれる単語、送信元アドレス、過去の迷惑メールのパターンなど。
- どう役立つ？: 迷惑メールに煩わされることなく、重要なメールを見逃さないようにする。
- 画像認識（多クラス分類）:
- 何をする？: 写真に写っているものが何かを識別する。（例：「犬」「猫」「自動車」「人物」など）
- どんなデータから？: 画像のピクセル情報（色、形、テクスチャなど）。ディープラーニング（ニューラルネットワーク）が特に得意とする分野です。
- どう役立つ？: スマートフォンの写真アプリでの自動分類、自動運転での物体検出、医療画像診断など。
- 顧客離反予測（二値分類）:
- 何をする？: 顧客が将来サービスを解約する可能性が高い（離反する）か、継続利用するかを予測する。
- どんなデータから？: 顧客の年齢・性別、利用履歴（購入頻度、最終利用日）、Webサイトの閲覧状況、問い合わせ履歴など。
- どう役立つ？: 解約しそうな顧客に事前にアプローチ（クーポン配布、サポート強化など）して、解約を防ぐ（リテンションマーケティング）。
- 不正利用検知（不均衡データ分類）:
- 何をする？: クレジットカードの取引履歴などから、不正な利用（通常とは異なるパターン）を検知する。
- どんなデータから？: 取引金額、場所、時間、頻度、過去の利用パターンなど。
- どう役立つ？: 不正利用による金銭的被害を未然に防ぐ。
- 難しさ: 不正利用は全体の取引の中で極めて稀（データが不均衡）なため、見逃さずに検知するのが難しい。
これらの例からもわかるように、分類問題は多様な分野で私たちの生活やビジネスを支える重要な技術なのです。
G検定頻出！分類問題の「4つの種類」をマスターしよう
分類問題は、予測するクラスの数や性質によって、いくつかの種類に分けられます。G検定でもこれらの違いを理解しているかが問われることがありますので、しっかり押さえましょう！
| 種類 | 予測するクラス数 | 1データあたりのラベル数 | 特徴・具体例 |
| 二値分類 | 2つ | 1つ | Yes/No, スパム/非スパム, 合格/不合格, 陽性/陰性 |
| 多クラス分類 | 3つ以上 | 1つ | 手書き数字(0-9), 画像分類(犬/猫/鳥), 血液型(A/B/O/AB) |
| マルチラベル分類 | 2つ以上 | 複数可能 | 映画ジャンル(アクション, コメディ), ニュース記事タグ |
| 不均衡データ分類 | 2つ以上 | 1つ (または複数) | 不正検知, 希少疾患診断 (クラス間のデータ数に偏り) |
① 二値分類 (Binary Classification)
最も基本的な分類問題で、予測するクラスが2つしかない場合です。「はい/いいえ」「成功/失敗」「陽性/陰性」のように、対立する2つの選択肢のどちらか一方に分類します。スパムメール判定や病気の診断（罹患しているか否か）などが典型例です。
② 多クラス分類 (Multi-Class Classification)
予測するクラスが3つ以上ある場合です。各データは、これらのクラスのうちどれか1つに分類されます。手書き文字認識（0〜9のどれか）、画像分類（犬、猫、鳥のどれか）、血液型判定（A, B, O, ABのどれか）などが該当します。
③ マルチラベル分類 (Multi-Label Classification)
ここが少し注意点です！マルチラベル分類では、1つのデータに対して複数のクラスラベルを同時に割り当てることが可能です。多クラス分類が「多くの選択肢から1つを選ぶ」のに対し、マルチラベル分類は「当てはまるものを全て選ぶ」イメージです。
- 例1：映画のジャンル分類 → 1つの映画が「アクション」であり「SF」でもある。
- 例2：ニュース記事のタグ付け → 1つの記事が「政治」と「経済」の両方に関連する。
④ 不均衡データ分類 (Imbalanced Classification)
これはクラスの数ではなく、データ数のバランスに関する分類問題です。特定のクラスのデータ数が、他のクラスに比べて極端に少ない場合に発生します。
- 例：クレジットカード不正利用検知 → 不正利用のデータは、正常な利用データに比べて圧倒的に少ない。
- 例：希少疾患の診断 → その病気の患者データは、健康な人のデータに比べて非常に少ない。
不均衡データ分類では、単純なモデルを使うとデータ数の多いクラスばかりを予測してしまい、重要な少数派クラスを見逃しやすくなります。そのため、特別な工夫（後述）が必要になる、G検定でも注意すべきポイントです。
主要アルゴリズムを徹底解剖！G検定で問われるモデルはこれだ
さて、これらの分類問題を解くためには、様々な機械学習アルゴリズム（モデル）が使われます。G検定では、代表的なアルゴリズムの特徴や得意なこと、メリット・デメリットを理解しておくことが重要です。
ここでは、特にG検定で頻出の主要モデルが、分類問題に対してどのようにアプローチするのかを見ていきましょう。
| アルゴリズム | 得意な分類 | 仕組み・特徴 | メリット | デメリット |
| ロジスティック回帰 | 二値分類 | 線形モデル＋シグモイド関数で確率予測 | シンプル、解釈しやすい、高速 | 非線形問題は苦手、多クラスは工夫が必要 |
| ランダムフォレスト | 多クラス、二値 | 多数の決定木を組み合わせる（アンサンブル） | 高精度、過学習しにくい、特徴量の重要度がわかる | モデルの解釈が複雑な場合がある、大規模データで遅い |
| ブースティング | 多クラス、二値 | 弱い学習器を逐次的に結合（アンサンブル） | 非常に高精度 | 過学習しやすい、パラメータ調整が難しい、計算コスト高 |
| SVM | 二値、多クラス | マージン最大化で境界線発見、カーネルトリック | 高次元データに強い、汎化性能が高い | パラメータ調整が難しい、大規模データに不向き |
| ニューラルネットワーク | 全般（特に複雑） | 脳神経回路模倣、多層構造で複雑なパターン学習 | 非常に高精度、画像・自然言語処理に強い | 計算コスト大、大量データ必要、解釈困難、過学習しやすい |
① ロジスティック回帰 (Logistic Regression)
- 得意なこと: 主に二値分類。入力データがあるクラスに属する「確率」を予測します。
- 仕組み: 線形回帰に似ていますが、出力をシグモイド関数というS字カーブの関数に通すことで、結果を0から1の確率値に変換します。通常、確率が0.5を超えたらクラス1、そうでなければクラス0、のように分類します。
- メリット: シンプルで実装が容易、結果の解釈が比較的しやすい、学習が高速。
- デメリット: 複雑な非線形の関係性は捉えにくい。多クラス分類には「One-vs-Rest」などの工夫が必要。
- 簡単なコードイメージ (Python – scikit-learn):
Python
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# データの準備 (X: 特徴量, y: 正解ラベル)
# X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# モデルの作成と学習
model = LogisticRegression()
model.fit(X_train, y_train)
# 予測と評価
y_pred = model.predict(X_test)
print(f”Accuracy: {accuracy_score(y_test, y_pred)}”)
② ランダムフォレスト (Random Forest)
- 得意なこと: 二値分類、多クラス分類。高い精度を出しやすい人気のアルゴリズム。
- 仕組み: 決定木という、データを条件分岐で仕分けていくモデルをたくさん作り、それらの結果を多数決（または平均）でまとめるアンサンブル学習の一種。個々の決定木が過学習（訓練データに適合しすぎること）するのを防ぎます。
- メリット: 高い精度と汎化性能（未知のデータへの対応力）、過学習に強い、どの特徴量が分類に重要だったかを知ることができる。
- デメリット: モデルの内部構造が複雑で、なぜその予測になったのかの解釈が難しい場合がある。
③ ブースティング (Boosting)
- 得意なこと: 二値分類、多クラス分類。ランダムフォレストと並び、非常に高い精度が期待できる手法。
- 仕組み: ランダムフォレストと同様にアンサンブル学習ですが、こちらは弱い学習器（通常は決定木）を順番に学習させていくのが特徴。前の学習器が間違えたデータを、次の学習器が重点的に学習するように重み付けを調整し、段階的に精度を高めていきます。AdaBoostやGradient Boosting (勾配ブースティング)、XGBoost、LightGBMなどが有名です。
- メリット: ランダムフォレストよりもさらに高い精度が出ることが多い。
- デメリット: 過学習しやすい傾向がある、パラメータ調整が複雑、計算に時間がかかることがある。
④ サポートベクターマシン (SVM: Support Vector Machine)
- 得意なこと: 二値分類が基本ですが、多クラス分類にも応用可能。特に、データの特徴量が多い（高次元）場合に性能を発揮しやすい。
- 仕組み: データ点を最も上手く分離する境界線（超平面）を見つけ出すことを目指します。このとき、異なるクラスのデータ点との距離（マージン）が最大になるように境界線を引くのが特徴です。線形分離できないデータに対しては、カーネルトリックというテクニックを使って、高次元空間にデータを写像して分離可能にします。
- 図解: SVMのマージン最大化イメージ （ここに、2種類の点がプロットされており、その間に引かれた境界線と、境界線から最も近い各クラスの点までの距離（マージン）が示された図を挿入） キャプション例：SVMはクラス間の「隙間（マージン）」が最大になるように境界線を引きます。
- メリット: 高次元データに強い、汎化性能が高い。
- デメリット: パラメータ（特にカーネルの種類やパラメータ）の調整が難しい、大規模なデータセットには計算時間がかかる、結果の解釈が難しい。
⑤ ニューラルネットワーク (Neural Network)
- 得意なこと: 二値、多クラス、マルチラベルなど、あらゆる分類問題に対応可能。特に画像、音声、自然言語などの複雑な非線形パターンを持つデータの扱いに長けています。ディープラーニングの基盤技術です。
- 仕組み: 人間の脳の神経回路網を模倣したモデル。入力層、中間層（隠れ層）、出力層という層構造を持ち、層間のニューロン（ノード）が重み付けされた結合で繋がっています。学習を通じて、この重みを調整することで、複雑なデータの関係性を捉えます。
- メリット: 非常に高い表現力と精度、特徴量の自動抽出能力（ディープラーニングの場合）。
- デメリット: 大量の学習データと高い計算能力が必要、モデルの内部がブラックボックス化しやすく解釈が非常に困難、過学習しやすい、パラメータ設定が複雑。
⑥ 【参考】その他のモデル（自己回帰モデル、線形回帰）
- 自己回帰モデル (ARモデル): 主に時系列データの予測に使われますが、予測結果を閾値で分類する、といった応用は考えられます。G検定での分類問題における重要度は上記モデルより低いでしょう。
- 線形回帰: 本来は回帰モデルですが、出力を閾値で区切れば二値分類的に使えなくはありません。しかし、分類には確率を出力できるロジスティック回帰の方が適しています。線形回帰の考え方がロジスティック回帰の基礎になっている、と理解しておくと良いでしょう。
モデルの成績表！「評価指標」を正しく理解しよう
モデルを作ったら、その性能がどれくらい良いのかを客観的に評価する必要があります。そのための指標が「評価指標」です。
「え、精度が高ければ良いんじゃないの？」と思うかもしれませんが、特に不均衡データなどを扱う場合、単純な「正答率」だけではモデルの性能を正しく評価できないことがあります。G検定でも、各評価指標の意味と使い分けは頻出ポイントです！
評価指標を理解する上で基本となるのが「混同行列 (Confusion Matrix)」です。
【混同行列 (Confusion Matrix)】 （ここに、縦軸に実際のクラス（Positive/Negative）、横軸に予測クラス（Positive/Negative）を取り、TP, FN, FP, TNが配置された2×2の表を挿入） キャプション例：混同行列は、実際のクラスと予測結果の組み合わせを示します。
- TP (True Positive): 真陽性。実際もPositiveで、予測もPositive。（正しく陽性と予測）
- FN (False Negative): 偽陰性。実際はPositiveなのに、予測はNegative。（陽性を見逃し）
- FP (False Positive): 偽陽性。実際はNegativeなのに、予測はPositive。（陰性を誤って陽性と予測）
- TN (True Negative): 真陰性。実際もNegativeで、予測もNegative。（正しく陰性と予測）
この混同行列のTP, FN, FP, TNを使って、様々な評価指標が計算されます。
① 正答率 (Accuracy)
- 意味: 全データのうち、正しく予測できた割合。最も直感的でわかりやすい指標。
- 計算式: Accuracy=TP+FN+FP+TNTP+TN
- 注意点: クラスのデータ数に偏りがある（不均衡データ）場合、多数派クラスばかりを予測しても高い値が出てしまうため、これだけを見て性能を判断するのは危険です。例えば、99%が陰性、1%が陽性のデータで、全部陰性と予測しても正答率は99%になってしまいます。
② 適合率 (Precision)
- 意味: モデルが「Positive」と予測したものの中で、実際にPositiveだったものの割合。「予測の精度」とも言えます。
- 計算式: Precision=TP+FPTP
- 重視される場面:偽陽性(FP)を減らしたい場合。
- 例：スパムメール判定 → 普通のメールをスパムと誤判定(FP)すると困るため、適合率が重要。
- 例：商品の推薦 → 興味のない商品を「おすすめ(Positive)」と予測(FP)すると、ユーザー体験が悪化する。
③ 再現率 (Recall)
- 意味: 実際にPositiveであるもの全体のうち、モデルが正しく「Positive」と予測できたものの割合。「網羅率」や「感度(Sensitivity)」とも呼ばれます。
- 計算式: Recall=TP+FNTP
- 重視される場面:偽陰性(FN)を減らしたい場合。（見逃しを防ぎたい場合）
- 例：病気の診断 → 病気(Positive)なのに見逃して「健康(Negative)」と誤診(FN)すると重大な結果を招くため、再現率が重要。
- 例：不正利用検知 → 不正利用(Positive)を見逃す(FN)と被害が出るため、再現率が重要。
④ F1スコア (F1 Score)
- 意味: 適合率(Precision)と再現率(Recall)の調和平均。両者のバランスを取った指標。
- 計算式: F1=2×Precision+RecallPrecision×Recall
- 重視される場面: 適合率と再現率の両方をバランス良く評価したい場合。特に不均衡データのように、Accuracyだけでは評価が難しい場合に有効です。
⑤ AUC (Area Under the ROC Curve)
- 意味: ROC曲線の下側の面積。モデルの総合的な識別能力を表す指標で、0から1の値をとり、1に近いほど性能が良いことを示します。主に二値分類で使われます。
- ROC曲線とは？: 縦軸に真陽性率(TPR = Recall)、横軸に偽陽性率(FPR = FP / (FP + TN))を取り、分類の閾値（例えば、ロジスティック回帰の0.5など）を変化させたときのプロットを結んだ曲線。曲線が左上に膨らむほど性能が良いモデルです。
- 図解: ROC曲線のイメージ （ここに、縦軸TPR、横軸FPRのグラフを描き、ランダムな予測（対角線）と、性能の良いモデルの曲線（左上に膨らむ）、AUCが面積であることを示す図を挿入） キャプション例：ROC曲線は左上に膨らむほど性能が良い。AUCはその曲線下の面積。
- メリット: 閾値に依存せず、モデル自体の識別能力を評価できる。
どの指標を使うべきか？ どの評価指標を重視すべきかは、解決したい問題の性質（何を間違えると困るか？）によって異なります。G検定では、各指標の意味と、どのような場合にどの指標が重要になるかを理解しておくことが求められます。
簡単なコードイメージ (Python – scikit-learn):
Python
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score, confusion_matrix
# y_test: 実際の正解ラベル, y_pred: モデルの予測ラベル, y_pred_proba: 陽性クラスの予測確率
print(f”Confusion Matrix:\n {confusion_matrix(y_test, y_pred)}”)
print(f”Accuracy: {accuracy_score(y_test, y_pred)}”)
print(f”Precision: {precision_score(y_test, y_pred)}”)
print(f”Recall: {recall_score(y_test, y_pred)}”)
print(f”F1 Score: {f1_score(y_test, y_pred)}”)
# AUCの計算には予測確率が必要な場合が多い
# print(f”AUC: {roc_auc_score(y_test, y_pred_proba[:, 1])}”) # 陽性クラスの確率を指定
分類問題でつまずかないための「注意点」と「対策」
分類モデルを構築・評価する際には、いくつかの注意点があります。これらを知っておくこともG検定対策として重要です。
① データの不均衡 (Data Imbalance) 問題
- 課題: 特定クラスのデータが極端に少ないと、モデルが多数派クラスに偏ってしまい、少数派クラスの予測精度が著しく低下する。Accuracyが高くても、少数派を見逃している可能性がある。
- 対策:
- オーバーサンプリング: 少数派クラスのデータを複製したり、人工的に生成したりして増やす。（例: SMOTE – Synthetic Minority Over-sampling Technique）
- アンダーサンプリング: 多数派クラスのデータをランダムに削除して減らす。
- コスト敏感学習: 少数派クラスの誤分類に対するペナルティ（コスト）を重く設定して学習させる。
- 評価指標の選択: Accuracyだけでなく、Precision, Recall, F1-Score, AUCなどを適切に使う。
② 過学習 (Overfitting) 問題
- 課題: モデルが訓練データに過剰に適合してしまい、訓練データでは高い精度が出るものの、未知の新しいデータ（テストデータ）に対しては精度が低くなってしまう現象。モデルがデータのノイズまで学習してしまっている状態。
- 対策:
- 正則化 (Regularization): モデルの複雑さにペナルティを与え、過剰な適合を抑制する。（L1正則化、L2正則化など）
- 交差検証 (Cross-validation): データを複数のグループに分割し、訓練用とテスト用を入れ替えながら学習・評価を繰り返し、モデルの汎化性能を測る。
- 早期終了 (Early Stopping): 検証用データでの性能が改善しなくなった時点で学習を打ち切る。
- データ拡張 (Data Augmentation): （特に画像データなどで）既存のデータに回転や反転などの変換を加えて、データのバリエーションを増やす。
- 適切なモデル選択: 問題に対して複雑すぎるモデルを選ばない。
③ 特徴量エンジニアリングの重要性
モデルの性能は、入力する特徴量（データから抽出した、予測に役立つ変数）の質に大きく左右されます。元のデータからより良い特徴量を作成・選択するプロセス（特徴量エンジニアリング）は、分類問題の精度向上において非常に重要です。ドメイン知識（その分野の専門知識）を活用することも有効です。
【G検定対策】分類問題の重要ポイントまとめ＆学習アドバイス
さて、ここまで分類問題について詳しく見てきました。最後に、G検定対策として特に重要なポイントをまとめ、学習のアドバイスを送ります。
【ここだけは押さえる！分類問題の重要ポイント】
- 分類問題とは何か？
- データを離散的なカテゴリに分けるタスクであること。
- 回帰問題との違いを明確に説明できること。
- 分類問題の「4つの種類」を区別できるか？
- 二値分類、多クラス分類、マルチラベル分類、不均衡データ分類、それぞれの定義と具体例、特にマルチラベルと多クラスの違い、不均衡データの問題点を理解していること。
- 主要アルゴリズムの特徴を言えるか？
- ロジスティック回帰、ランダムフォレスト、ブースティング、SVM、ニューラルネットワークについて、それぞれがどのような問題に適しているか、基本的な仕組み、メリット・デメリットを説明できること。
- 評価指標の意味と使い分けを理解しているか？
- 混同行列（TP, FN, FP, TN）をベースに、Accuracy, Precision, Recall, F1-Score, AUCがそれぞれ何を測る指標なのか、どのような状況でどの指標が重要になるか（特にPrecisionとRecallのトレードオフ）を理解していること。
- 不均衡データにおいてAccuracyだけでは不十分な理由を説明できること。
- 一般的な課題と対策を知っているか？
- データの不均衡や過学習がなぜ問題で、どのような対策（オーバー/アンダーサンプリング, SMOTE, 正則化, 交差検証など）があるかを理解していること。
【G検定での問われ方（傾向）】
G検定では、これらの知識が選択肢形式で問われることが多いです。例えば、
- 「〇〇という状況で最も重視すべき評価指標はどれか？」
- 「不均衡データに対する対策として適切でないものはどれか？」
- 「SVMの特徴として正しいものはどれか？」
- 「この分類問題は、二値分類、多クラス分類、マルチラベル分類のどれにあたるか？」
といった形式の問題が出題される可能性があります。単語の暗記だけでなく、それぞれの概念や手法が「なぜ」「どのように」使われるのかを理解することが、応用力を問う問題に対応する鍵となります。
【学習アドバイス】
- まずは全体像を把握: この記事のように、分類問題の定義、種類、代表的なアルゴリズム、評価指標、注意点といった全体像を掴みましょう。
- 各論を深める: 次に、個々のアルゴリズムや評価指標について、その仕組みや意味をより深く理解します。図や具体例と結びつけて覚えるのが効果的です。
- 関連付けて覚える: アルゴリズムと得意な分類の種類、評価指標とその意味・使い所などを関連付けて整理しましょう。自分で簡単な表を作ってみるのもおすすめです。
- 問題演習: 知識が身についてきたら、G検定の公式テキストや問題集などで実際の問題に触れ、知識の使い方を確認しましょう。
まとめ
今回は、G検定合格に向けて非常に重要な「分類問題」について、その基本から種類、主要なアルゴリズム、評価指標、注意点まで、網羅的に解説しました。
分類問題は、メールの自動振り分けから医療診断、ビジネスにおける顧客分析まで、現代社会のあらゆる場面で活用されている、機械学習の中核的な技術です。
この記事で学んだ知識は、G検定の得点力をアップさせるだけでなく、今後あなたがAIやデータサイエンスの世界で活躍するための確かな土台となるはずです。
- 分類問題の基本と回帰との違い
- 二値、多クラス、マルチラベル、不均衡データの4つの種類
- ロジスティック回帰からニューラルネットワークまでの主要アルゴリズム
- AccuracyからAUCまでの評価指標の意味と使い分け
- データ不均衡や過学習への対策
これらのポイントをしっかり復習し、自信を持ってG検定に臨んでください。あなたの合格を心から応援しています！
コメント