機械学習
このノートの問いがそのまま復習カードになり、忘れかけたころに出題されます。
シラバス案 Ver.0.1 の小分類 4-18-1「機械学習」（大分類 4：デジタル技術／中分類 18：AI技術）。
2026-09-26 にシラバス本文と突合済み。
0. 何を押さえるか
シラバスがこの中分類で問うのは、AI の入力・処理・出力の概要です。
機械学習は、人が規則を書く代わりに、データから規則（モデル）を作らせる方法です。
最頻出は学習の 3 分類で、分かれ目は「何を与えるか」です。
| 与えるもの | 何ができるようになるか | 例 | |
|---|---|---|---|
| 教師あり学習 | 入力と正解の組 | 新しい入力の正解を当てる（分類・回帰） | 迷惑メールの判定、売上予測 |
| 教師なし学習 | 入力だけ | データの中のまとまりや構造を見つける | 顧客のグループ分け |
| 強化学習 | 行動の結果への報酬 | 報酬が最大になる行動の選び方 | ゲーム、ロボットの制御 |
もう 1 つは過学習です。学習に使ったデータでは高成績なのに、新しいデータでは当たらない状態で、
「学習データの成績だけ見て良いモデルと判断してはいけない」理由になります。
1. 機械学習の種類・特徴
根拠: シラバス 4-18-1
機械学習とは？ 従来のプログラムとどう違うか？
| 規則を作るのは | 流れ | |
|---|---|---|
| 従来のプログラム | 人が条件分岐として書く | 規則 ＋ データ → 答え |
| 機械学習 | コンピュータがデータから見つける | データ（＋正解など）→ 規則（モデル） |
学習で得た規則のまとまりをモデルと呼び、
新しいデータをモデルに入れると予測や判定が出てくる（推論）。
人が規則を書き切れない問題（画像の判別など）で力を発揮する。
教師あり学習・教師なし学習・強化学習の違いは？
| 与えるもの | 例 | |
|---|---|---|
| 教師あり学習 | 入力と正解（ラベル）の組 | 迷惑メールの判定、売上予測 |
| 教師なし学習 | 入力のみ | 顧客のグループ分け（クラスタリング） |
| 強化学習 | 行動に対する報酬 | ゲームの攻略、ロボットの歩行 |
正解を教えるか、教えないか、良し悪しだけ教えるか。
教師あり学習の「分類」と「回帰」の違いは？
| 予測するもの | 例 | |
|---|---|---|
| 分類 | どのグループか（種類・区分） | 迷惑メールか否か、画像が犬か猫か |
| 回帰 | 数値そのもの | 来月の売上額、明日の気温 |
どちらも正解付きのデータから学ぶので教師あり学習。
答えが「区分」なら分類、「量」なら回帰。
教師なし学習では何をするのか？ 教師あり学習の分類とどう違うか？
正解を与えず、データの似ているもの同士をまとめる（クラスタリング）などして構造を見つける。
| グループの決まり方 | |
|---|---|
| 教師あり学習の分類 | グループは人が先に決めている（正解ラベルがある） |
| 教師なし学習のクラスタリング | グループはデータから見つかる（何のグループかは後から人が解釈） |
購買履歴から「似た買い方をする顧客層」を見つける、といった使い方をする。
強化学習とは？ 何を学ぶのか？
行動して結果を見て、得られる報酬（ごほうびの点数）が最大になる行動の選び方を試行錯誤で学ぶ方法
- 正解の行動は教えない
- 良い結果には高い報酬、悪い結果には低い報酬（罰）を与える
囲碁・将棋の AI、ロボットの動作、自動運転の制御など、
一連の行動の良し悪しが後から分かる問題に向く。
機械学習で使う「特徴量」とは？
データのうち、予測の手がかりにする性質を数値で表したもの
住宅価格を予測するなら、面積・築年数・駅からの距離など。
従来の機械学習ではどの特徴量を使うかを人が設計していた。
ディープラーニングは、特徴量そのものをデータから学習で獲得できるようになった点が大きい（→ ディープラーニング）。
2. モデル精度の改善・評価
根拠: シラバス 4-18-1
学習データとテストデータを分けるのはなぜか？
モデルの実力は「学習に使っていないデータ」でしか測れないから。
| 使いみち | |
|---|---|
| 学習データ（訓練データ） | モデルを作る |
| テストデータ（評価データ） | 作ったモデルが未知のデータに通用するかを確かめる |
学習に使ったデータで評価すると、答えを覚えているだけでも高得点になってしまう。
未知のデータにも通用する力を汎化性能という。
過学習とは？ なぜ問題か？
学習データに合わせすぎて、未知のデータに対する性能が落ちること
| 学習データでの成績 | 新しいデータでの成績 | |
|---|---|---|
| 過学習 | 非常に良い | 悪い |
学習データの細かな癖や偶然の誤差（ノイズ）まで覚え込み、
一般的な規則を学べていない状態。試験の過去問だけ丸暗記した状態に近い。
過学習を防ぐにはどうするか？
| 対策 | ねらい |
|---|---|
| 学習データを増やす・偏りをなくす | 癖でなく一般的な規則を学ばせる |
| モデルを複雑にしすぎない | 細部まで覚え込む余地を減らす |
| テストデータで確かめる（学習と評価を分ける） | 過学習に気づく |
| 学習を適度なところで止める | 学習データへの合わせすぎを避ける |
逆に、学習が足りず学習データでも成績が悪い状態は未学習という。
分類モデルの評価で「正解率」だけを見ると何がまずいか？
めったに起きないものを見つけるモデルでは、正解率が高くても役に立たないことがある。
1,000 件のうち不正が 10 件なら、全部「正常」と答えるだけで正解率 99%。
しかし不正は 1 件も見つけられていない。
| 指標 | 何を見るか |
|---|---|
| 正解率 | 全体のうち当たった割合 |
| 適合率 | 「不正」と判定したもののうち、本当に不正だった割合 |
| 再現率 | 本当の不正のうち、「不正」と判定できた割合 |
見逃しが困るなら再現率、誤検知が困るなら適合率を重視する。