機械学習の枠組み

特徴量 は、対象がもつ性質のうち、学習や予測の手がかりにするものを 数値 で表したものである。

集めたままのデータには判断に役立たない情報も混じるため、目的に効く性質を選び出して数値にしたものを学習の入力にする。どの特徴量を使うかで、予測の当たりやすさが大きく変わる。従来は人が特徴量を設計していたが、ディープラーニング (人の脳の神経回路をまねた仕組みを何層にも重ねて学ぶ手法) では、どこに注目するかをコンピュータが学習の中で自ら見つける。

たとえ中古の自転車の値段を見積もる人が、色の好みではなく、走行距離やタイヤのすり減り具合を見るようなもの。値段の決め手になる点だけを数字で拾い出す。

覚え方名前の「量」は数で表すという意味。数値にした特徴だから特徴量と読む。

この用語の過去問 2 題 特徴量 →

機械学習 は、コンピュータが大量のデータから 規則性 を学び取り、予測や判断に使う技術である。

学習の結果できる、入力から結果を導く計算の仕組みを モデル という。モデルは学習に使っていない新しいデータにも当てはめられるので、過去の記録から先の数値を見積もったり、画像が何を写しているかを判定したりできる。学習のしかたで分けると、代表的な方式に教師あり学習・教師なし学習・強化学習の 3 つがある。

たとえたくさんの過去の天気図を見比べているうちに、明日の天気の見当がつくようになる見習いの予報士のようなもの。実例の山からこつをつかむ。

覚え方英語では Machine Learning。頭文字を取って ML と書かれることも多い。

この用語の過去問 2 題 機械学習 →

教師あり学習 は、入力データとその 正解 (ラベル) の組を学習させ、未知の入力に対する答えを当てられるようにする方式である。

学習データに正解を付ける作業を アノテーション といい、正解の付け方がモデルの質を左右する。代表的な手法には 回帰 と 分類 があり、できたモデルは正解の分かっているデータで試して性能を測る。性能の尺度の一つが 再現率 で、実際に陽性 (見つけたい側) であるもののうち、モデルも陽性と判定できた割合を表す。

たとえ解答と解説の付いた問題集で練習するようなもの。答え合わせを繰り返すうちに、初めて見る問題にも答えられるようになる。

覚え方教師 = 答えを知っている人。答えを横に置いて学ぶから「あり」。

この用語の過去問 2 題 教師あり学習 →

教師なし学習 は、正解を与えずにデータだけを学習させ、データの中にある まとまり や構造を見つけ出す方式である。

代表的な手法は、似ているデータ同士を自動でグループにまとめる クラスタリング である。あらかじめ答えが決まっていない場面、例えば購買の傾向から顧客をいくつかの層に分けるといった場面に向く。できたグループが何を意味するかは、人が中身を見て解釈する。

たとえ初めて訪れた市場で、名前を知らない野菜を形や色の近いものごとに籠へ分けていくようなもの。名前は教わらなくても、似たもの同士は寄せられる。

覚え方「なし」は正解ラベルなし。答えのない問題用紙だけを渡された状態と覚える。

この用語の過去問 2 題 教師なし学習 →

強化学習 は、行動の結果として得られる 報酬 (よい結果ほど大きくなる評価の値) を手がかりに、報酬が大きくなる行動のしかたを試行錯誤で身につける方式である。

行動して結果を受け取ることを何度も繰り返し、目先の報酬だけでなく、長い目で見た報酬の合計が大きくなる行動を探していく。ボードゲームの手の選び方や、ロボットが転ばずに歩く制御などに使われる。

たとえ自転車に乗る練習で、誰にも手順を教わらずに、転ばずに進めた距離を手応えにして体の使い方を直していくようなもの。

覚え方「強化」は心理学の言葉で、ほめられた行動ほど繰り返されるようになること。報酬で行動を強めると覚える。