---
title: "教師あり学習"
description: "教師あり学習は、正解ラベル付きデータから入力と出力の対応を学び、未知データの値やクラスを予測する方法です。回帰と分類の違い、訓練・検証・テストデータの役割、教師なし学習や強化学習との違いを整理し、G検定の選択肢を切る判断軸を確認します。"
last_modified_at: "2026-06-27"
canonical_url: "https://stemtazoo.github.io/gk/supervised-learning/"
section: "gk"
---

## 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