最終更新日：2026年6月27日
gk 機械学習 頻出
G検定トップ
＞ 教師あり学習
まず結論
教師あり学習とは、正解ラベル付きのデータを使って、入力と出力の関係を学習する方法です。
直感的な説明
答え付きの問題集を使って勉強するイメージです。
問題（入力）と正解（ラベル）を何度も見て、
👉 「こういう入力なら、この答えになる」
というルールを学習します。
代表的な手法・キーワード
回帰
- 線形回帰
- 重回帰
- Ridge / Lasso 回帰
👉 数値を予測する
分類
- ロジスティック回帰
- SVM
- 決定木 / ランダムフォレスト
- k近傍法（k-NN）
👉 クラス（カテゴリ）を予測する
教師なし学習との違い
| 項目 | 教師あり学習 | 教師なし学習 |
|---|---|---|
| 正解ラベル | ある | ない |
| 目的 | 予測・分類 | 構造の発見 |
| 代表例 | 回帰・分類 | クラスタリング |
定義・仕組み
教師あり学習では、入力を 特徴量、正解を 目的変数またはラベル としてモデルに与えます。モデルは予測と正解のずれを損失関数で測り、そのずれが小さくなるようにパラメータを更新します。
学習済みモデルの目的は、訓練データを丸暗記することではなく、未知データにも正しく予測できる汎化性能を得ることです。そのため、データを次のように分けます。
- 訓練データ：モデルのパラメータを学習する
- 検証データ：ハイパーパラメータやモデルを選ぶ
- テストデータ：最終的な汎化性能を確認する
回帰と分類の判断
| 出力 | 問題 | 例 |
|---|---|---|
| 連続する数値 | 回帰 | 売上、価格、気温の予測 |
| 離散的なクラス | 分類 | 迷惑メール判定、画像カテゴリ判定 |
モデル名ではなく、何を出力するかで回帰と分類を判断します。
G検定ひっかけポイント
- ロジスティック回帰は分類
- SVMは回帰・分類どちらも使える
- 教師あり学習 ＝ 分類、ではない
→ 回帰も含む
よくある勘違い
- ❌ 教師あり学習＝分類だけ
→ ⭕ 回帰と分類の両方 - ❌ ロジスティック回帰＝回帰
→ ⭕ 分類 - ❌ 教師が学習中に毎回答えを指示する → ⭕ あらかじめ正解ラベルが付いたデータから対応関係を学ぶ
- ❌ 訓練データで高精度なら十分 → ⭕ 未知データへの汎化性能を確認する必要がある
まとめ（試験直前用）
- 教師あり学習＝正解ラベルあり
- 目的は 予測・分類
- 回帰と分類の違いを押さえる