AIと機械学習｜教師あり・教師なし・強化学習と過学習【基本情報技術者試験 科目A】

科目A 第1章 基礎理論1-9　AIと機械学習最終更新 2026-09-26

1-8 の最後で、機械学習は帰納推論の側にあると書きました。 個別のデータを大量に集めて、そこから一般の規則を作るからです。 帰納である以上、できた規則は「たぶん正しい」止まりです。 だから機械学習では、できた規則がどれくらい当たるのかを測る手続きが、 作り方と同じくらい大事になります。この回は、その作り方と測り方を扱います。

AI ── 規則を人が書くか、データから作るか

コンピュータに賢い判断をさせる方法は、大きく2つあります。 人が規則を書き下すか、データから規則を作らせるかです。

このやり方は、規則が書ける分野では確実に動きます。 1-8 の言葉でいえば演繹推論です。前提として書いた規則が正しければ、結論も正しくなります。 弱点は、規則を書ききれない分野があることです。 「この写真は猫か」を「もし〜なら」で書き下すのは、人間にはほぼ不可能です。

そこで、大量のデータから規則のほうを作らせるのが機械学習です。 ねらいは、学習に使っていないデータでも当たる規則を作ることにあります。

機械学習の3つの学び方

学び方は3つに分かれます。ただし、分かれ目は1つではありません。 2つの問いを、この順に聞きます。

正解が付いていないのは教師なし学習と強化学習の両方なので、先に点数のほうを聞きます。 強化学習の例は、ゲームの手を選ぶ仕組みです。1手ずつの正解は誰も知りませんが、 勝てば加点、負ければ減点という結果の点数が返ってきます。この点数が高くなる指し方を探します。 なお、一部にだけ正解が付いた中間の形（半教師あり学習）もありますが、問われるのは上の3つです。

教師あり学習は、最後に返したいものでさらに2つに分かれます。 返したいのが「いくら」「何度」のような数値そのものなら回帰、 「迷惑メールか、そうでないか」のような決まった区分のどれかなら分類です。

データを3つに分ける ── 過学習を見つけるため

学習に使ったデータで測れば、正解率はいくらでも上がります。 極端にいえば、データを丸暗記すれば100%です。 けれども丸暗記したモデルは、初めて見るデータでは当たりません。 これが過学習です。逆に、学習データにすら合っていない状態もあり、これは学習不足です。 見分けるには、2つの数字を並べます。

同じモデルを、2つのデータで測ってみる

  学習に使ったデータでの正解率は 98%
  学習に使っていないデータでの正解率は 61%
  → この差が大きいほど、学習データを丸暗記している

知りたいのは下の数字です。上の数字だけを見て「98% の精度が出た」と言っても、本番では役に立ちません。

そこで、手持ちのデータを役割ごとに分けて使います。

検証データの数字を見てモデルを選んだ時点で、そのデータはもう「初めて見るデータ」ではありません。 だから、いっさい手を付けていないテストデータを別に取っておきます。 学習に使っていないデータでどれだけ当たるかを汎化性能といい、 機械学習が上げたいのは、この数字です。

なお、分類の当たり具合を1枚の図で見る道具が ROC 曲線です。 縦軸に見つけるべきものを見つけられた割合、横軸に誤って拾ってしまった割合をとり、 その兼ね合いを1本の線で表します。

ディープラーニング ── 層を重ねて特徴をつかむ

ここからは学び方の種類ではなく、モデルそのものの作りの話です。 これから出てくるものは4つ目の学び方ではなく、教師ありでも教師なしでも強化学習でも使えます。

人の神経細胞のつながりをまねた仕組みがニューラルネットワークです。 入力層から中間層をいくつか通って出力層へ、という流れで値が伝わります。 つなぎ目には重みという数があり、学習とは、この重みを少しずつ直していく作業です。 中間層を何層も重ねたものを多層パーセプトロンといい、 層を深く重ねた学習がディープラーニング（深層学習）です。

途中の各層では、受け取った値をそのまま流さず活性化関数を通します。 これがないと、何層重ねても1層ぶんと同じ計算にしかならず、層を深くした意味がなくなります。

層を深くすると、誤差を逆向きに配るうちに、入力側へ届くころには値がほとんど 0 になってしまいます。 これが勾配消失問題で、深い層がなかなか学習できなかった原因です。

予想問題の選択肢にあった転移学習は、これです。 「どうやって学ぶか」ではなく「どこから始めるか」の話なので、教師あり・教師なし・強化学習とは並びません。

まとめ

次に読む