機械学習の学習を始めるとき、最初の分かれ道の 1 つは、「どのような種類の学習を行っているのか?」ということです。答えによって、利用可能なアルゴリズム、必要なデータ、モデルの動作など、すべてが変わります。
2 つの基本的なカテゴリは、教師あり学習と教師なし学習です。違いを理解することは単なる学術的なことではなく、新しい ML 問題に取り組むときに最初に行う決定です。
教師あり学習と教師なし学習の最も基本的な違いは、トレーニング データにラベルが含まれるかどうかです。
ラベル付きデータ は、データセット内の各例に「正しい答え」、つまりモデルに予測または分類してもらいたい結果が付属していることを意味します。
# Labelled dataset (supervised)
email_text | label
------------------------------------|-------
"Congratulations! You've won £1000" | spam
"Meeting rescheduled to Thursday" | not_spam
"URGENT: Your account is suspended" | spam
ラベルのないデータ は、入力はあるが、事前定義された答えはなく、生の観察だけであることを意味します。
# Unlabelled dataset (unsupervised)
customer_id | age | annual_spend | frequency | location
------------|-----|--------------|-----------|----------
C001 | 34 | £2,400 | 12/year | London
C002 | 52 | £18,000 | 52/year | Manchester
C003 | 28 | £650 | 3/year | London
ラベル付きデータは作成に費用と時間がかかり、人間が手動で例に注釈を付ける必要があります。ラベルのないデータは豊富にあります (世界中のほとんどのデータにはラベルがありません)。この実際的な制約により、特定の問題に対してどのアプローチが可能であるかが決まります。
教師あり学習では、モデルはラベル付きの例を学習することによって、入力から出力へのマッピングを学習します。 「スーパーバイザー」はラベル付けされたデータそのものであり、すべてのトレーニング例が正しい出力がどうあるべきかをモデルに伝えます。
出力が 離散カテゴリ の場合、それは分類の問題です。
例:
一般的なアルゴリズム:
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
classifier = RandomForestClassifier(n_estimators=100)
classifier.fit(X_train, y_train)
accuracy = classifier.score(X_test, y_test)
print(f"Test accuracy: {accuracy:.2%}")
ログイン ディスカッションに参加
出力が 連続数値の場合、それは回帰問題です。
例:
一般的なアルゴリズム:
from sklearn.ensemble import GradientBoostingRegressor
model = GradientBoostingRegressor(n_estimators=200, learning_rate=0.1)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
# predictions = [245000, 182000, 412000, ...] (house prices in £)
教師なし学習では、モデルは ラベルなしでデータの構造を調査します。既知の出力へのマッピングを学習するのではなく、隠れたパターン、グループ化、または表現を独自に発見します。
クラスター アルゴリズムは、グループがどのようなものであるべきかを指示されることなく、類似したデータ ポイントをグループ化します。
例:
一般的なアルゴリズム:
from sklearn.cluster import KMeans
# We don't know how many customer segments exist — let's try 4
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(customer_data_scaled)
# Each customer now has a cluster label (0, 1, 2, or 3)
df['segment'] = kmeans.labels_
# Analyse what each segment looks like
print(df.groupby('segment')[['age', 'annual_spend', 'frequency']].mean())
可能な限り多くの構造を維持しながら、高次元データをより少ない次元に圧縮します。視覚化、前処理、および冗長な情報の削除に使用されます。
一般的なアルゴリズム:
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
# Reduce 50-dimensional data to 2D for visualisation
pca = PCA(n_components=2)
X_2d = pca.fit_transform(X_scaled)
plt.scatter(X_2d[:, 0], X_2d[:, 1], c=cluster_labels, cmap='tab10')
plt.title('Customer segments visualised in 2D')
plt.show()
教師あり/教師なしの区別は基本ですが、ML 環境はこれら 2 つのカテゴリだけよりも豊富です。
少量のラベル付きデータと大量のラベルなしデータを組み合わせて使用します。ラベル付けにはコストがかかるため、これは非常に実用的です。
例: ラベル付きの医療スキャンが 1,000 件、ラベルのない医療スキャンが 100,000 件あるとします。半教師あり学習では、ラベルなしデータの利点を活用して、1,000 個のラベルだけで達成できるパフォーマンスを超えてパフォーマンスを向上させることができます。
ラベルがデータ自体から自動的に生成されるという特殊なケース。これは、最新の大規模言語モデルが事前トレーニングされる方法です。
例: 文を取り出し、いくつかの単語を非表示にし、欠落している単語を予測するようにモデルをトレーニングします。 「ラベル」（正しい単語）は無料です。テキスト自体から直接取得されます。これが BERT のトレーニング方法です。
Input: "The cat sat on the [MASK]."
Target: "mat"
自己教師あり学習は、人間による注釈なしでインターネット規模のデータでトレーニングできるため、変革をもたらしました。
エージェントは、*環境でアクションを行い、報酬またはペナルティ**を受け取ることで学習します。ラベルはなく、結果からのフィードバック信号のみです。
例: チェスをする、ロボットの歩行を訓練する、データセンターの冷却システムを最適化する。これについては、独自のレッスンで詳しく説明します。
実践的な意思決定のフレームワークは次のとおりです。
Do you have labelled data?
├── YES → Supervised Learning
│ ├── Output is a category? → Classification
│ │ (spam/not spam, dog/cat, fraud/legit)
│ └── Output is a number? → Regression
│ (price, temperature, sales volume)
└── NO → Unsupervised Learning
├── Want to find groups? → Clustering
│ (customer segments, document topics)
├── Want to compress data? → Dimensionality Reduction
│ (visualisation, pre-processing)
└── Want to detect anomalies? → Anomaly Detection
(fraud, equipment failure)
Partially labelled? → Semi-Supervised Learning
Learning from interaction? → Reinforcement Learning
星による評価やセンチメント ラベルのない製品レビューが 50,000 件あります。トピックごとに自動的にグループ化したいと考えています。どの学習アプローチを使用する必要がありますか?