第3章|機械学習の概要
DAY 11 ・ 約30分教師あり学習の全体像
入力・正解・特徴・予測の関係を整理する。
教師あり学習を、訓練データ・特徴量・正解ラベル・モデル・損失・予測へ分解し、データ作成から未知データでの確認までの流れを説明できる。
言葉を知る
用語を暗記するだけでなく、似た概念との違いと、何を判断するための言葉かまで整理します。
教師あり学習
入力と、その入力に対応する正解を組にしたデータから、未知の入力に対する予測規則を学ぶ方法です。人が毎回答えを教えながら使うという意味ではありません。
訓練データ
モデルの調整へ使う入力と正解の集合です。実際に利用する場面を代表し、誤りや偏りが管理されている必要があります。
特徴量
予測へ使う入力の表現です。年齢や回数のような数値だけでなく、画像の画素や文章を変換したベクトルも含みます。
ラベル・目的変数
予測したい正解です。分類なら種類、回帰なら連続した数値になります。誰がどの基準で付けたかが品質を左右します。
モデル
入力から予測を計算する仕組みです。学習では、訓練データ上の誤りが小さくなるよう内部のパラメータを調整します。
汎化
訓練時に見ていない新しい入力にも、学んだ関係を使って適切に予測できる性質です。訓練データの暗記とは区別します。
テストデータ
そこで訓練データでパラメータを学び、検証データで手法や設定を選び、最後にテストデータで未知例への性能を確認します。
仕組みを理解する
1.教師あり学習は、例から入力と正解の対応を学ぶ
教師あり学習では、過去の例を入力xと正解yの組として用意します。住宅価格なら、広さ、築年数、駅からの距離が入力で、成約価格が正解です。迷惑メール判定なら、本文や送信元が入力で、迷惑・通常という分類が正解です。モデルは多数の組を比較し、入力から正解を予測する関係を調整します。 「教師」という言葉から、人が横で一問ずつ教える姿を想像しやすいですが、学習時に正解付きデータを使うことを指します。利用時には正解の分からない新しい入力へ予測を返します。正解がないデータの構造を探す教師なし学習や、行動後の報酬から学ぶ強化学習とは、与えられる学習信号が違います。まず、何を正解として用意できるかを確認することが出発点です。
2.分類と回帰は、予測したい答えの種類で分ける
分類は、入力をあらかじめ定めた種類へ分けます。解約する・しない、画像が犬・猫・鳥のどれか、問い合わせが請求・故障・その他のどれかなどです。二種類なら二値分類、三種類以上なら多クラス分類と呼びます。複数の種類を同時に付ける場合は多ラベル分類です。 回帰は、売上、温度、時間、価格のような連続値を予測します。数値を出す処理がすべて回帰ではありません。病気である確率を出しても、最終目的が病気・非病気の判定なら分類です。反対に、年齢を0〜9歳、10〜19歳と区切れば分類になります。手法の名前より、予測したい答えをどの形式で定義したかを確認します。形式が違えば損失関数と評価指標も変わります。
3.特徴量は、現実をモデルが扱える表現へ変える
モデルは現実そのものではなく、渡された特徴量を処理します。店舗の混雑を予測するなら、曜日、時刻、天気、祝日、周辺イベントなどを数値やカテゴリとして表します。住所の文字列をそのまま入れるのか、地域や距離へ変換するのかで、学べる関係が変わります。写真では画素、文章では単語や文脈を数値の並びへ変換します。 予測時には知り得ない情報を特徴へ入れてはいけません。解約予測へ、解約手続き後にだけ付くコードを入れれば高精度に見えても事前予測には使えません。この混入をデータリーケージと呼びます。また、氏名や郵便番号から個人や地域を覚え、望ましくない差別へつながる場合があります。特徴量は多いほどよいのではなく、利用時に取得でき、目的と関係し、権利上使えることが必要です。
4.ラベルは、自然に存在する正解とは限らない
画像に写った数字の種類のように比較的明確な正解もありますが、良い人材、危険な投稿、質の高い文章などは判断基準を含みます。担当者ごとに基準が違えば、同じ入力へ別のラベルが付きます。過去の人事判断を正解にすると、過去の偏りも学習します。売れた商品を良い商品と置けば、広告量や在庫の影響まで混ざります。 ラベル作成では、定義、境界例、判断不能の扱い、複数担当者の一致、根拠を記録します。将来の結果を正解にする場合は、観測期間も必要です。三か月以内の解約と一年以内の解約では別の課題です。「正解付きデータがある」ことと、「学ぶべき正解がある」ことを分けます。ラベルの品質が低ければ、モデルだけ高度にしても目的に合う予測にはなりません。
5.学習は、誤りを測りパラメータを調整する
モデルは入力から予測を計算し、正解との差を損失関数で測ります。回帰なら予測価格と実価格の差、分類なら正しい種類へ十分な確率を置けなかった度合いなどです。学習アルゴリズムは、多数の例に対する損失が小さくなる方向へパラメータを更新します。深層学習でも基本は、予測、損失計算、更新の繰り返しです。 損失が小さいほど必ず業務価値が高いとは限りません。不正を見逃す損失と、正常取引を止める損失は同じではありません。平均誤差を小さくすると、少数の重大事例が隠れることもあります。学習用の数学的な損失と、現実の費用・安全・公平性を結び付ける必要があります。何を間違いとして強く罰するかは、技術ではなく目的と責任の選択でもあります。
6.訓練・検証・テストを分け、未知データで確かめる
同じデータで学習と採点をすれば、過去例を覚えたモデルが高得点になります。そこで訓練データでパラメータを学び、検証データで手法や設定を選び、最後にテストデータで未知例への性能を確認します。テスト結果を見て何度も設計を変えると、テストへも合わせ込むため、最終確認としての役割を失います。 分割は無作為なら常に正しいわけではありません。将来予測では過去を訓練、未来をテストにします。同じ利用者の複数記録が両方へ入ると、個人を覚えて高得点になるため、利用者単位で分けます。店舗ごとに使いたいなら、未知店舗をテストへ残す方法もあります。利用時に出会う未知条件を再現する分割でなければ、汎化性能を確認したことになりません。
7.過学習と学習不足を、訓練・未知の差から見る
過学習は、訓練データには非常によく合う一方、新しいデータでは性能が落ちる状態です。複雑なモデルが少ない例の偶然や誤りまで覚えたときに起こります。訓練得点は高いのに検証得点が低い差が手掛かりです。対策にはデータの追加、不要特徴の削減、モデルの単純化、正則化などがあります。 学習不足は、モデルが単純すぎる、特徴が足りない、学習が不十分などで、訓練データにも合わない状態です。訓練も検証も低得点になります。モデルを複雑にすれば必ず改善するわけではありません。まず誤りを種類別に見て、データ、ラベル、特徴、手法のどこへ原因があるかを確認します。得点一つだけでは、過学習と学習不足を区別できません。
8.データの代表性と偏りが、使える範囲を決める
訓練データは、実際に予測する人・場所・時期・機器を代表する必要があります。昼間の写真だけで学習したモデルを夜間監視へ使う、若年層だけの記録で高齢者を予測する、晴天時の走行だけで雨天制御へ使うと、未知条件で性能が落ちます。データ数が多くても、同じ条件へ偏れば代表性は高まりません。 収集しやすい例だけが入る選択バイアス、正解が確認できた人だけが残る生存者バイアス、測定機器の変更によるずれなどを確認します。利用開始後も入力の分布は変わります。学習時の条件、対象外の範囲、重要な属性別性能を記録し、変化を監視します。モデルの能力は固定値ではなく、データを集めた範囲と利用条件を含む性能です。
9.ベースラインを置き、学習する価値を確かめる
機械学習モデルを作る前に、単純な比較対象を置きます。分類なら最も多い種類を常に返す、回帰なら過去平均を返す、現行業務なら担当者の判断や既存規則を使う方法です。高度なモデルがベースラインをほとんど上回らなければ、複雑さと費用を増やす価値が弱くなります。 精度だけでなく、判断時間、人の作業削減、誤りの修正費用、説明可能性を比べます。単純モデルは原因を理解しやすく、データの問題を発見する基準にもなります。最初から最新モデルへ進むと、改善がモデルのおかげか、データ整理のおかげか分かりません。小さな基準から始め、一つずつ変更して差を測ることが、再現できる開発につながります。
10.DAY 11では、予測課題を一枚へ分解する
身近な予測を一つ選びます。目的、予測する時点、入力、正解、分類か回帰か、利用者、間違ったときの影響を書いてください。次に、予測時には得られない情報を特徴から外します。ラベルを誰がどう付けるか、判断不能をどう扱うかも決めます。 最後に、訓練・検証・テストの分け方と、単純なベースラインを置きます。同じ人や未来情報が分割をまたがないか確認します。モデル名を一つも挙げなくても、この設計を説明できれば教師あり学習の入口を理解しています。反対に、手法名だけ決めて正解と利用時点を説明できない場合は、学習以前の前提が不足しています。
実例で理解する
具体例で考える
飲食店が、翌日の弁当販売数を予測する場面を考えます。入力は曜日、天気予報、予約数、過去の販売数、周辺イベントです。正解は翌日の実販売数で、連続値なので回帰です。閉店後にしか分からない廃棄数を予測時の特徴へ入れてはいけません。 訓練には過去一年、検証にはその後二か月、テストには直近二か月を時系列順で使います。平均販売数を返す方法をベースラインにし、モデルが廃棄と欠品をどれだけ減らすかを比べます。大型イベント日の例が少ない場合は、通常日の平均だけで成功と判断せず、対象外として人が調整します。 予測値を自動発注へ直結させず、最初は発注候補として店長へ提示します。誤差、廃棄、欠品、人の修正量を記録し、季節や商品構成が変わったら再評価します。教師あり学習を使う価値は、過去をよく説明することではなく、予測時点で得られる情報から未来の判断を改善できることです。予測が外れた日は、天気予報の変化、臨時休業、団体注文など理由を分け、次の特徴や対象外条件へ反映します。
手を動かして理解する
- 提供ケース「少数の架空顧客データを、特徴量・正解・学習・評価へ分ける」または自分が説明できる身近な事例を一つ選び、DAY11「教師あり学習の全体像」の判断観点で整理してください。提出物には、①対象と目的、②本文の用語を使った判断、③判断の根拠、④未確認事項または限界を記します。最後に学習目標「教師あり学習を、訓練データ・特徴量・正解ラベル・モデル・損失・予測へ分解し、データ作成から未知データでの確認までの流れを説明できる。」を満たす説明になっているか自己確認してください。紙または端末の標準メモだけで実施でき、外部サービスへの登録や有料契約は不要です。 実在人物の個人情報、機密情報、未公開資料は使わず、架空または匿名化した情報だけを使ってください。
04|今日の理解度を確認する
今日の理解度を確認する
教師あり学習の説明として適切なものはどれですか。
正解は「入力と正解の組から、未知入力への予測規則を学ぶ」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
入力と正解の組から、未知入力への予測規則を学ぶ: 正解は「入力と正解の組から、未知入力への予測規則を学ぶ」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
正解を使わず集団だけを探す: これは教師なし学習の代表的な説明です。
行動後の報酬だけから方策を学ぶ: これは強化学習の説明です。
利用中に人が毎回答えを口頭で教える: 教師は正解付きデータを指し、利用時の口頭指導ではありません。
分類と回帰を分ける基準はどれですか。
正解は「予測する答えが種類か、連続値か」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
予測する答えが種類か、連続値か: 正解は「予測する答えが種類か、連続値か」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
データの行数が偶数か奇数か: 行数で学習課題の種類は決まりません。
モデルの会社名: 提供会社は分類・回帰の定義ではありません。
画面にグラフがあるか: 表示方法と予測対象は別です。
翌月解約を予測する特徴として、データリーケージになる可能性が最も高いものはどれですか。
正解は「解約手続き後に付与される完了コード」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
解約手続き後に付与される完了コード: 正解は「解約手続き後に付与される完了コード」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
予測時点までの利用回数: 予測時点で得られるなら利用可能な特徴候補です。
現在の契約期間: 予測時点の情報であり、目的との関係を検証できます。
予測時点までの問い合わせ回数: 予測時点までの履歴なら未来情報ではありません。
訓練得点は高いが検証得点が大きく低い状態は、何を疑いますか。
正解は「過学習」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
過学習: 正解は「過学習」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
学習不足だけ: 学習不足では訓練データにも十分合いません。
分類と回帰の同一化: 分類と回帰を同一にする話ではありません。
正解ラベルが不要になったこと: 教師あり学習ではラベル品質が引き続き必要です。
時系列の売上予測で適切なデータ分割はどれですか。
正解は「過去を訓練し、その後の期間を検証・テストにする」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
過去を訓練し、その後の期間を検証・テストにする: 正解は「過去を訓練し、その後の期間を検証・テストにする」です。講義で扱った定義と判断条件に一致します。正解以外がなぜ違うかも確認し、実際の課題で使い分けましょう。
未来を訓練し、過去をテストにする: 実際の予測と時間の向きが逆です。
全期間で前処理と学習をして同じ全期間を採点する: 未知期間の情報が学習へ漏れます。
分割せず訓練得点だけを見る: 汎化性能を確認できません。
04|今日の理解度を確認する
今日の理解度を確認する
今日の整理をする
この3点を持ち帰る
- ✓ 教師あり学習は、入力と正解の組から未知入力への予測規則を学ぶ
- ✓ 特徴量とラベルの定義、利用時点、分割方法がモデル性能の意味を決める
- ✓ 訓練得点ではなく、未知データとベースラインで汎化と利用価値を確かめる
講義本文 4,095字
PRIMARY SOURCES