機械学習の3種類とディープラーニングとは?G検定・DS検定の基礎理論を1ページで

G検定・DS検定で必須の機械学習の3種類(教師あり・教師なし・強化学習)と評価指標に加え、ニューラルネットワーク・活性化関数・バックプロパゲーション・過学習対策・CNN/RNN/Transformerまで、1ページで整理した。

G検定・DS検定で必須の機械学習の3種類(教師あり・教師なし・強化学習)と評価指標に加え、ニューラルネットワーク・活性化関数・バックプロパゲーション・過学習対策・CNN/RNN/Transformerまで、1ページで整理した。

機械学習とは「データからパターンを自動的に学習して、予測や判断を行うAI技術の総称」だ。

G検定・DS検定では機械学習の種類・代表アルゴリズム・適用場面・評価指標の理解が問われる。

用語を覚えても、売上予測と顧客のグループ分けで迷うことがある。この記事では「何を学習の手がかりにするか」と「どんな誤りを減らしたいか」から、学習方式と評価指標を選べるように整理する。


機械学習の3種類

教師あり学習(Supervised Learning)

正解ラベル付きのデータを使って学習する方法だ。

「入力→正解」のペアを大量に与え、未知の入力に対して正解を予測できるようにする。

タスク説明代表例
回帰(Regression)連続した数値を予測する住宅価格予測・売上予測・気温予測
分類(Classification)カテゴリを分類するスパムメール判定・画像分類・疾病診断

主なアルゴリズム:

  • 線形回帰:入力と出力の線形関係を学習する
  • ロジスティック回帰:分類問題に使う。名前に「回帰」とあるが分類に使う点に注意
  • 決定木:条件分岐のツリー構造で分類・回帰を行う
  • ランダムフォレスト:複数の決定木を組み合わせる。分類では多数決、回帰では予測値の平均などを使う
  • SVM(サポートベクターマシン):分類では、境界と最も近いデータとの余裕(マージン)を大きくする

分類・回帰と代表手法の整理は、scikit-learn公式:教師あり学習でも確認できる。

教師なし学習(Unsupervised Learning)

正解ラベルなしのデータからパターンを発見する方法だ。

データの中に潜む構造・グループ・特徴を自動的に発見する。

タスク説明代表例
クラスタリング似たデータをグループに分ける顧客セグメンテーション・文書分類
次元削減多次元のデータを低次元に圧縮するデータの可視化・特徴抽出
異常検知通常パターンから外れたデータを検出する不正取引検知・設備異常検知

主なアルゴリズム:

  • k-meansクラスタリング:k個のクラスター中心を繰り返し更新してグループ分け
  • PCA(主成分分析):分散が最大になる方向に次元を圧縮する
  • オートエンコーダ:入力→圧縮→復元の構造で特徴を学習する(ディープラーニングの一種)

ラベルを使わないクラスタリングや次元削減などの整理は、scikit-learn公式:教師なし学習を参照。異常検知はラベル付きで学ぶ場合もあり、目的名だけで教師なしと決めない。

強化学習(Reinforcement Learning)

エージェントが環境と相互作用しながら、報酬を最大化する行動を学習する方法だ。

正解データは与えられず、「試行錯誤で最適な行動方針を学ぶ」。

要素説明
エージェント学習・行動する主体(例:ゲームのAI・ロボット)
環境エージェントが行動する空間
状態現在の状況の表現
行動エージェントが選択できる操作
報酬行動の結果として得られる数値的フィードバック

活用例:

  • AlphaGo・AlphaZero(囲碁・将棋AI)
  • ロボットの歩行制御
  • 自動運転の経路選択
  • ChatGPTのRLHF(人間のフィードバックによる強化学習)

機械学習の選択基準

「どのアルゴリズムをいつ使うか」の判断がG検定・DS検定で問われる。

この図は代表的な使い分けの入口だ。「人が教えるか」ではなく、入力に対する正解・データの構造・行動後の報酬のどれを手がかりにするかを見る。試験で扱う範囲はJDLAのG検定シラバスで確認する。

モデルの評価指標

混同行列(Confusion Matrix)

分類問題の評価に使う基本ツールだ。

予測:正予測:負
実際:正TP(真陽性)FN(偽陰性)
実際:負FP(偽陽性)TN(真陰性)

主要な評価指標

指標計算式重視する場面
正解率(Accuracy)(TP+TN)/(全体)クラスが均等に分布している場合
適合率(Precision)TP/(TP+FP)偽陽性を減らしたい(スパム誤判定を減らす等)
再現率(Recall)TP/(TP+FN)偽陰性を減らしたい(疾病の見逃しを防ぐ等)
F1スコア2×Precision×Recall/(P+R)適合率と再現率のバランスを取りたい

上の式は、どちらを陽性とするかを決めた二値分類の整理だ。scikit-learn公式:分類の評価指標

正解率だけでは評価できない場合がある。

例えば99%が健常者のデータで「全員健常者」と予測すると正解率99%になるが、疾病を1例も発見できない。再現率が0%というのが実態だ。

見逃しを減らすなら再現率、陽性と判断したものの誤りを減らすなら適合率を重視する。ただし、一方だけを上げれば十分とは限らない。誤検知への対応負担も確認し、何を陽性と呼ぶか、どちらの誤りの影響が大きいかを先に決める。

回帰の評価指標

指標内容
RMSE(平均二乗誤差の平方根)予測値と実測値の差の大きさ。単位が元データと同じで解釈しやすい
MAE(平均絶対誤差)差の絶対値の平均。外れ値の影響を受けにくい
R²(決定係数)最良は1。平均値を予測する基準より悪いと負になることもある

R²を「必ず0〜1」と覚えないことが重要だ。scikit-learn公式:決定係数

過学習・汎化性能・クロスバリデーション

汎化性能とは

訓練データだけでなく、未知のデータに対しても高い精度を示す能力だ。

過学習(訓練データへの過度な適合)を防ぎ、汎化性能を高めることが機械学習の核心的な課題だ。

クロスバリデーション(交差検証)

データを複数のブロックに分割し、順番に検証データとして使いながら学習と評価を繰り返す手法だ。

データが少ない場合でも、汎化性能を安定して評価できる。

ディープラーニング|多層のニューラルネットワークで学ぶ

ディープラーニングは、多層のニューラルネットワークを使って、データからパターンを自動的に学習する技術だ。G検定では、実装ではなく動作原理の概念的な理解が問われる。学習方式とは別の軸で、教師あり・教師なし・強化学習と組み合わせて使う。上で挙げたオートエンコーダも、その例だ。

ニューラルネットワークの構造

人間の脳の神経細胞(ニューロン)の接続を模した数学的なモデルだ。

入力層 → 中間層(隠れ層)× N → 出力層
  • 入力層:データを受け取る(画像なら各ピクセルの値)
  • 中間層(隠れ層):パターンを抽出する。層が深いほど複雑な特徴を学べる
  • 出力層:予測結果を出す(例:「猫:90%」「犬:10%」)

「ディープ」とは、中間層が多層であることを指す。ニューロンの間の接続には重みがあり、学習とは、訓練データに正しい出力を出させるように、重みを調整することだ。

活性化関数

ニューロンが受け取った信号を、次の層にどう伝えるかを決める変換関数だ。これがないと、層を重ねても線形変換にしかならない。

関数名特徴主な用途
sigmoid出力を0〜1に圧縮。確率の表現に向く二値分類の出力層
tanh出力を-1〜1に圧縮。0を中心にして学習が安定中間層(古い手法)
ReLU0以下は0、正の値はそのまま出す。計算が速く、勾配消失を軽減中間層の主流
softmax複数クラスの確率を、合計1で出力する多値分類の出力層

バックプロパゲーション(誤差逆伝播法)

学習は、「予測、誤差の計算、重みの修正」の繰り返しだ。

1. 順伝播:入力データを前向きに流して、予測値を出す
2. 誤差計算:予測値と正解の差(損失)を計算する
3. 逆伝播:誤差を後ろ向きに伝えて、各重みの修正量を計算する
4. 重みの更新:勾配降下法で重みを更新する

バックプロパゲーションは、ステップ3の「誤差を後ろ向きに伝える計算」を指す。損失を最小にする更新方法が勾配降下法で、傾きの向きに少しずつ谷を降りるイメージだ。更新の幅を決める係数が学習率で、大きすぎると収束せず、小さすぎると学習が遅くなる。

勾配消失問題と、過学習の対策

深いネットワークでは、誤差を逆伝播させる途中で勾配が極端に小さくなり、入力層に近い層がほとんど学習できなくなる。これを勾配消失問題という。

問題対策内容
勾配消失ReLUの使用sigmoidやtanhから置き換えて改善する
勾配消失バッチ正規化各層の入力を正規化して勾配を安定させる
勾配消失残差接続(ResNet)入力を後の層にそのまま足し込み、深い層を可能にする
過学習Dropout学習中にランダムにニューロンを無効にする
過学習L1/L2正則化重みが大きくなりすぎないよう、ペナルティを加える
過学習データ拡張画像なら、回転・反転・トリミングで訓練データを増やす
過学習Early Stopping検証データの誤差が増え始めたら、学習を止める

代表的なネットワーク構造

構造得意なデータ特徴
CNN(畳み込みニューラルネットワーク)画像畳み込み層でエッジや模様などの局所的な特徴を取り出し、プーリング層で情報を圧縮する。画像分類、物体検出、顔認識に使う
RNN(再帰型ニューラルネットワーク)時系列データ、テキスト前の時刻の隠れ状態を次の時刻に引き継ぎ、文脈を保つ。現在は、多くの場面でTransformerに置き換わっている
Transformer自然言語Self-Attentionで、文中の単語どうしの関係を並列に計算する。ChatGPTなどの大規模言語モデル(LLM)の基盤技術

AI活用プロンプト

アルゴリズムの使い分けを練習する

G検定・DS検定の機械学習で、アルゴリズムの選択を練習したいです。

以下の5つのビジネス課題に対して「どの機械学習アルゴリズムを使うか」
を答えてください。答えと理由も教えてください:

1. 過去3年間の月次売上データから翌月の売上を予測したい
2. 顧客10万人を購買行動の類似度でグループ分けしたい
3. 受信メールがスパムかどうかを自動判定したい
4. 工場の振動センサーデータから設備の異常を検出したい
5. 囲碁AIが最善手を学習したい

各課題について: 使うべき手法・アルゴリズム名・その理由を説明してください。

ディープラーニングの理解を自分の言葉で確かめる

G検定に向けて、ディープラーニングの理解を確認したいです。
私が理解した内容を説明するので、論理的な誤りや不足点を指摘してください。

「ディープラーニングとは、多層のニューラルネットワークを使って、
入力データから出力を予測するモデルを訓練する技術です。
学習は、順伝播で予測を出し、その誤差をバックプロパゲーションで
逆向きに伝えて、重みを更新することで行われます」

この説明の正確さを評価し、G検定で問われる重要な補足があれば追加してください。

技術・数理・活用を章ごとに結び付けたいときは、G検定の20時間コースで関連する節を確認できる。


まとめ

機械学習の3種類で押さえる核心:

教師あり学習=正解ラベルあり、回帰か分類か——問題の種類で使うアルゴリズムが変わる。

教師なし学習=ラベルなし、グループか圧縮か——k-means・PCAの目的を説明できれば試験で対応できる。

強化学習=試行錯誤で報酬最大化——ゲームAI・RLHF(ChatGPT等)が実例として使える。

評価指標は正解率だけじゃない——医療診断なら再現率、スパムフィルタなら適合率、という使い分けの根拠を説明できる状態にする。

ディープラーニングは「重みを調整して学習する」——活性化関数はReLUが中間層の主流、バックプロパゲーションは誤差を後ろに伝えて重みを直す手順、過学習の対策はDropout・正則化・Early Stopping。

→ G検定 合格ロードマップに戻る

→ DS検定 合格ロードマップに戻る

Back to Blog

Related Posts

View All Posts »