最終更新日：2026年8月21日
gk 機械学習 頻出
G検定トップ
＞ 教師あり学習とは？正解ラベルから予測する学習方法【G検定】
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、入力と正解の対応関係を学ぶ方法です。
G検定では、次の言葉が出たら教師あり学習を強く疑います。
正解ラベル
分類
回帰
予測
正解ラベルを使う → 教師あり学習
直感的な説明
答え付きの問題集で勉強するイメージです。
問題（入力）
＋
正解（ラベル）
↓
対応関係を学ぶ
↓
未知の問題の答えを予測する
大切なのは、訓練データを丸暗記することではなく、まだ見ていないデータにも正しく答えられることです。これを汎化と考えます。
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。
回帰と分類
| 出力 | タスク | 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 |
G検定では、モデル名だけではなく何を出力するかを見ると切り分けやすくなります。
訓練・検証・テストデータ
- 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
テストデータを学習に使うと、未知データに対する評価にならない点に注意します。
いつ使う？（得意・不得意）
得意なこと
- 売上や価格などの数値予測
- 画像や文章の分類
- 不正・正常などの判定
苦手・注意点
- 正解ラベルを用意するコストがかかる
- 訓練データに合わせすぎると過学習が起こる
- 学習データと実運用データの傾向が大きく違うと性能が落ちる
教師あり学習・教師なし学習・強化学習の全体比較は、3つの学習方法の違いで確認できます。
G検定ひっかけポイント
ロジスティック回帰は分類
名前に「回帰」とありますが、代表的な用途は分類です。
線形回帰
→ 回帰
ロジスティック回帰
→ 分類
教師あり学習は分類だけではない
回帰も教師あり学習です。
教師あり学習
├─ 回帰
└─ 分類
「教師」が毎回答えを指示するわけではない
教師あり学習の「教師」は、学習に使う正解ラベルを指します。学習中に人が逐一操作するという意味ではありません。
ニューラルネットワーク＝必ず教師あり、ではない
ニューラルネットワークはモデルの種類であり、教師あり以外の学習枠組みでも利用できます。モデル名ではなく、学習時に何を手掛かりにするかを見ます。
正誤を切る判断基準
- 正解ラベルを使う → 教師あり学習
- 構造・まとまりを探す → 教師なし学習
- 行動の結果として報酬を得る → 強化学習
まとめ（試験直前用）
- 教師あり学習＝正解ラベルを使う
- 連続値を予測 → 回帰
- クラスを予測 → 分類
- ロジスティック回帰は分類
- 判断するときは ラベルの有無と出力の種類 を見る