【第41回】AIは2つの関係の強さをどう測る？相関係数とは
2つのデータに関係がありそうでも、それがどれくらい強いのかは見ただけではわかりません。
その強さを -1 から 1 の範囲で表すのが相関係数です。
この記事では、相関係数の見方と、共分散との違いをやさしく解説します。
1. 読み方
相関係数 ＝ そうかんけいすう
2. 意味（定義）
前回の「共分散」を覚えていますか？共分散は「2つのデータが同じ方向に動くか」は教えてくれましたが、ひとつ大きな弱点がありました。それは「数値がバラバラすぎて、どれくらい強い関係なのかがパッと見でわからない」ことです。
そこで登場したのが、今回の「相関係数」です。
🎯 イメージで理解しよう！「関係性のパーセント表示」 相関係数は、いわば「2人のシンクロ率」のようなものです。
共分散という「生の数値」を、「-1 から 1」という決まった範囲にギュギュッと凝縮（標準化）して、誰が見てもわかりやすくした指標です。
＋1 に近いとき（強い正の相関）： 「完璧なシンクロ！」の一方が増えれば、もう一方もほぼ確実に増えます。
－1 に近いとき（強い負の相関）： 「完璧なあまのじゃく！」の一方が増えれば、もう一方はほぼ確実に減ります。
0 に近いとき（相関がない）： 「完全な他人！」お互いに関係なく、バラバラに動いています。
つまり、相関係数とは「2つのデータの関係の強さを、-1〜1の共通のものさしで測った数値」のことなのです。
3. 歴史・背景
統計学の世界では、「方向がわかる（共分散）」だけでなく、「どれくらい強いのかを客観的に比較したい」という要望が強くありました。
例えば、「身長と体重の関係」と「気温とアイスの売上の関係」、どちらの方がより強く連動していると言えるでしょうか？ 共分散で計算すると、単位（cm, kg, 度, 個）が違うため、数値の大きさを比べることはできません。
そこで、「単位の影響を消し去って、純粋に関係の強さだけを抽出しよう」として生まれたのが相関係数（特に有名なのがピアソンの積率相関係数）です。
これがなぜAIに重要なの？ AIが大量のデータを学習するとき、「不要なデータ」を捨てるために相関係数が使われます。
もし、あるAIに「家の価格」を予測させたいとき、「家の広さ（平方メートル）」と「家の広さ（平方フィート）」という2つのデータを同時に与えたとします。この2つは相関係数がほぼ「1」であり、中身はほぼ同じです。 AIにとって、似たようなデータを2つ持っているのはメモリの無駄ですし、計算を不安定にする原因にもなります。
AIは相関係数を使って、「このデータとこのデータはほぼ同じ意味だから、片方だけでいいな」と判断し、効率的に学習を進めることができるのです。
4. 比較・対比（似た用語との違い）
前回の「共分散」と今回の「相関係数」の違いを整理しましょう。
【共分散】（方向だけわかる）
できること： プラスかマイナスかで「同じ方向か、逆方向か」だけがわかる。
弱点： データの単位（cm、m、kgなど）によって数値が大きく変わるため、「0.5」なのか「500」なのか、その数字自体に意味がない。
例： 「なんとなく一緒に動いているな」ということはわかる。
【相関係数】（方向＋強さがわかる）
できること： -1から1の範囲で、「どれくらい強く連動しているか」が数値でわかる。
強み： 単位の影響を完全に消しているため、全く違う種類のデータ同士でも「どちらの関係がより強いか」を比較できる。
例： 「この2つのデータのシンクロ率は80%（0.8）だな」と具体的に判断できる。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
① 特徴量選択（データの断捨離） AIに学習させるデータ（特徴量）が多すぎると、学習に時間がかかったり、精度が落ちたりすることがあります。そこで、相関係数を計算して、極端に相関が高い（＝ほぼ同じ意味の）項目を見つけ出し、どちらか一方を削除します。これにより、AIのスリム化と高速化を実現します。
② マーケティング分析（セット買いの分析） 「お酒の売上」と「おつまみの売上」の相関係数を調べ、強い正の相関があることがわかれば、AIは「この2つをセットで陳列しよう」とか「お酒を買った人に、このおつまみをレコメンドしよう」という戦略を立てることができます。
6. G検定での出題傾向
相関係数は非常に出題されやすいポイントです。特に以下の3点に注意してください。
数値の範囲： 「相関係数は −1 ≤ r ≤ 1 の範囲に収まる」という基本ルールは必須知識です。
0の意味： 「相関係数が 0 ＝ 全く関係がない」のではなく、「直線的な関係がない」という意味であることに注意してください（後述のひっかけポイントです）。
単位の影響： 「共分散と違い、相関係数はデータの単位に依存しない（標準化されている）」という特徴が問われます。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
2つの変数 X と Y の相関係数が −0.9 であったとき、この2つの変数の関係として最も適切なものはどれか？
A. ほとんど関係がない。
B. 非常に強い正の相関がある。
C. 非常に強い負の相関がある。
D. 正確に反比例の関係にある。
【問題2：頻出（特徴に関する問題）】
相関係数に関する記述として、正しいものはどれか？
A. 単位をメートルからセンチメートルに変更すると、相関係数の値は100倍になる。
B. 相関係数が 1 に近いほど、2つの変数は正の方向に強く連動している。
C. 相関係数は 0 から 1 の範囲で表される。
D. 共分散と相関係数は、どちらも単位の影響を強く受ける。
【問題3：ひっかけ（勘違いしやすいポイント）】
「2つの変数の相関係数が 0 であった」ことから導き出される結論として、正しいものはどれか？
A. 2つの変数の間には、いかなる関係（法則性）も存在しない。
B. 2つの変数は、完全に独立していることが証明された。
C. 2つの変数の間には、直線的な関係が見られない。
D. 2つの変数は、必ず逆方向に動く。
8. 7の例題の回答と解説
【問題1：回答】 C
【解説】 相関係数は −1 に近いほど「強い負の相関（一方が増えればもう一方が減る）」を意味します。−0.9 は −1 に非常に近いため、正解はCです。
【問題2：回答】 B
【解説】
A：相関係数は単位の影響を受けません（不適切）。
B：正解です。11 に近いほど強い正の相関です。
C：範囲は −1−1 から 11 までです（不適切）。
D：共分散は単位の影響を受けますが、相関係数は受けません（不適切）。
【問題3：回答】 C
【解説】 ここが最大のひっかけポイントです！相関係数（ピアソン相関係数）が測るのは、あくまで「直線的な関係（線形関係）」だけです。 例えば、「山のような形（2次関数）」の関係がある場合、データはしっかり連動していますが、直線ではないため相関係数は 0 に近くなることがあります。 つまり、「相関係数が 0 ＝ 直線的な関係はないが、別の形の関係があるかもしれない」ということになります。
9. Ankiアプリ用（CSV形式）
相関係数の値が取りうる範囲は？,-1 から 1 の間
相関係数が 1 に近い状態を何と呼ぶか？,強い正の相関
相関係数が -1 に近い状態を何と呼ぶか？,強い負の相関
相関係数が共分散よりも優れている点は何か？,データの単位に左右されず、関係の強さを比較できる点。
相関係数が 0 のとき、どのようなことが言えるか？,2つの変数の間に「直線的な関係」がないと言える。
📝 総評・まとめ
今回は、データのシンクロ率とも言える相関係数について学びました。 共分散の「方向しかわからない」というもどかしさを解消し、−1 〜 1 という共通のものさしで強さを測れるようになったことで、AIは効率的にデータを整理できるようになったわけですね。
特に「直線的な関係しか測れない」という点は、試験でも実務でも非常に重要なポイントなので、しっかり頭に刻んでおいてください！
✅ 絶対に覚えて！
相関係数の範囲は −1 〜 1。
単位の影響を受けない（標準化されている）ため、異なるデータ同士を比較できる。
相関係数が 0 でも、「直線的ではない関係（カーブなど）」がある可能性はある。
🚀 次回予告 さて、統計の世界はいよいよ核心に迫ります。「このデータが観測されたとき、どの設定が一番もっともらしいか？」を考える、AIの学習の根幹に関わる概念が登場します。
【第42回】AIは「もっともらしさ」をどう決める？尤度とは
✅ この記事が役に立ったら「スキ」で応援してください！
あなたの応援が、次の解説を作るエネルギーになります！🚀
