はじめての機械学習＃３：機械学習の代表的な学習方法「教師あり学習」「教師なし学習」「強化学習」
機械学習にはいくつかの代表的な「学習方法」があり、目的や扱うデータの性質によって使い分けられています。ここでは、実務でも特に重要となる 「教師あり学習」「教師なし学習」「強化学習」 の3つについて、初心者の方にもわかりやすく整理します。
教師あり学習
教師あり学習 とは、「正解付きのデータ」を使って学習させる方法です。
たとえば次のようなデータが該当します。
過去の売上データ ＋ 実際の売上結果
メール本文 ＋ 迷惑メールかどうかの判定結果
画像 ＋ それが「犬」か「猫」かというラベル
このように、入力データと正解（ラベル）がセットになっている状態で学習させるのが教師あり学習です。モデルは、「このような入力のときには、このような結果になる」という関係性をデータから学んでいきます。
回帰と分類
教師あり学習は、主に次の2つに分かれます。
回帰（Regression）
数値を予測する問題です。
例：売上予測、気温予測、価格予測など。分類（Classification）
カテゴリを判定する問題です。
例：迷惑メール判定、顧客の離脱予測、画像の物体認識など。
ビジネスで最も多く使われているのが、この教師あり学習です。
教師なし学習
教師なし学習 は、正解データを与えずに、データの中にある構造や特徴を自動的に見つけ出す方法です。
代表的な活用例には次のようなものがあります。
顧客データを自動的にグループ分けする
Webサイトの利用行動パターンを分類する
データの中から通常とは異なるパターンを発見する
このように、「何が正解か分からない状態」でも、データの傾向やまとまりを見つけ出せるのが教師なし学習の強みです。
クラスタリングと次元削減
教師なし学習の代表例が、次の2つです。
クラスタリング
似たデータ同士を自動的にグループ化します。
例：購買傾向が似ている顧客の自動分類。次元削減
データの情報量をなるべく保ったまま、変数の数を減らす手法です。
例：多数の特徴量を2次元・3次元に圧縮して可視化。
教師なし学習は、「データを俯瞰して全体像を把握する」用途でよく使われます。
強化学習
強化学習 は、少しユニークな学習方法です。
正解データを与えるのではなく、「行動の結果として報酬を与える」ことで学習が進みます。
イメージとしては、
AIが行動する
結果に対して「良い／悪い」という評価（報酬）が与えられる
より多くの報酬を得られる行動を学習していく
という流れです。
代表的な応用例としては、
囲碁や将棋などのゲームAI
ロボットの動作制御
自動運転の経路選択
などがあります。
強化学習は、最適な手順や戦略を自ら見つけ出す点に特徴がありますが、学習には膨大な試行回数が必要となるため、シミュレーション環境で使われるケースが多くなっています。
学習方法とその特徴まとめ
このように、
正解がある問題は教師あり学習
傾向を見つけたい場合は教師なし学習
最適な行動を学ばせたい場合は強化学習
というように使い分けるのが基本です。
ここまでお読み頂きありがとうございます。
AIって何？AIの歴史から最新情報まで、わかりやすく説明した、
これまでの記事（マガジン）の一覧をプロフィールページにまとめています。
AIの全体像をつかむヒントになると思いますので、ぜひご覧ください。
免責事項
本記事は生成AI（ChatGPT等）を活用して執筆しています。内容の正確性・最新性には十分配慮しておりますが、誤りや古い情報が含まれる場合があります。ご利用・ご判断はご自身の責任でお願いいたします。万一、著作権等に問題がある場合はご連絡ください。
