ディープラーニング入門＃５：誤差関数（損失関数）

2026年1月27日 08:00

ディープラーニングの学習では、「モデルがどれだけ間違っているか」を数値として評価する必要があります。その役割を担うのが 誤差関数（損失関数） です。誤差関数は、学習の方向性そのものを決める重要な要素であり、適切に選ばなければモデルは正しく学習できません。

誤差関数とは何か

誤差関数とは、モデルの予測結果と正解データとの差を数値として表したものです。
ディープラーニングでは、この誤差をできるだけ小さくするように、モデルの内部パラメータ（重み）が調整されていきます。
たとえば、

予測が正解に近い → 誤差は小さい
予測が大きく外れている → 誤差は大きい

という形で、誤差関数はモデルの良し悪しを定量的に示します。
学習の目的は非常にシンプルで、誤差関数の値を最小化することにあります。

回帰と分類で使われる代表的な誤差関数

扱う問題の種類によって、適した誤差関数は異なります。

回帰問題でよく使われる誤差関数

回帰問題では、数値の予測精度が重要になります。そのため、予測値と正解値の差を直接評価する誤差関数が使われます。

代表的なものとしては、
・平均二乗誤差（MSE）
があります。これは「どれだけズレているか」をシンプルに評価できるため、回帰問題で広く利用されています。

分類問題でよく使われる誤差関数

分類問題では、「どのクラスに属するか」を正しく判断できているかが重要です。
2値分類では、シグモイド関数とバイナリクロスエントロピー誤差を組み合わせて使います。
多クラス分類では、ソフトマックス関数とカテゴリカルクロスエントロピー誤差を組み合わせて使います。
これらの誤差関数は、「正解クラスの確率を高くし、誤ったクラスの確率を下げる」ようにモデルを導きます。確率的な解釈と相性が良いため、分類問題では標準的な選択肢となっています。

誤差関数と学習目標の関係

誤差関数は、単に「間違いの大きさ」を測るだけではありません。
どの誤差関数を選ぶかによって、モデルが何を重視して学習するかが決まります。
たとえば、

大きな誤差を特に重く評価する誤差関数
全体のバランスを重視する誤差関数
では、学習結果に違いが出ます。

そのため、

回帰なのか分類なのか
精度を重視するのか、安定性を重視するのか
といった目的に応じて、誤差関数を選ぶことが重要です。

誤差関数は目立たない存在ですが、ディープラーニングの学習方針を根本から決める「指針」ともいえる要素です。

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。

＜前へ
ディープラーニング入門＃４｜代表的な活性化関数（シグモイド・ReLU・ソフトマックスなど）

次へ＞
ディープラーニング入門＃６｜正則化(L1正則化・L2正則化・ドロップアウト)

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。