青の統計学-DS Playground-

基礎編

AIの基礎概念に関する導入〜標準レベルの問題

教師あり学習の典型例 レベル1

教師あり学習の説明として最も適切なものを選択してください。

解説

教師あり学習の基本構造

教師あり学習は、入力データと正解ラベルの組を使って、未知の入力に対する出力を予測する関数を学習する方法です。画像に「犬」「猫」というラベルを付けて分類器を作る、住宅の特徴量から価格を予測する、メール本文から迷惑メールかどうかを判定する、といった例が典型です。教師なし学習や強化学習との違いと合わせて押さえておきましょう。

正解の理由

選択肢3のように、正解ラベル付きデータを用いて入力から出力への対応関係を学ぶのが教師あり学習です。ここでいう「教師」は人間の先生ではなく、学習時に与えられる正解情報を指します。目的変数がカテゴリなら分類、連続値なら回帰として扱うことが多く、どちらも教師あり学習の代表例です。

押さえるポイント
  • 教師あり学習には、入力を表す特徴量と、予測したい正解ラベルまたは目的変数が必要です。
  • 分類はカテゴリを予測し、回帰は数値を予測します。どちらも正解付きデータを使う点では同じです。
  • 性能評価では、学習に使っていない検証データやテストデータで汎化性能を確認します。

混同しやすい論点

  • 教師なし学習はラベルなしデータから構造を見つけるため、クラスタリングや次元削減が代表例です。
  • 強化学習は正解ラベルではなく報酬をもとに方策を改善するため、ゲームやロボット制御の文脈で出ます。
  • ルールベースは人間がif文などで規則を直接書く方式であり、データから関数を推定する教師あり学習とは異なります。

他の選択肢の評価

  • 選択肢3が正解です。ラベル付きデータから入力と出力の対応を学ぶ点が教師あり学習の核心です。
  • 選択肢1は強化学習の説明です。報酬と環境との相互作用が中心です。
  • 選択肢2は教師なし学習の説明です。正解ラベルを使わずデータの構造を探します。
  • 選択肢4はルールベースシステムの説明です。機械学習のようにデータから規則を獲得するものではありません。

実務上の意味

実務では、教師あり学習を使うには質のよいラベルデータが必要です。ラベル定義が曖昧だと、モデルは一貫した規則を学べません。また、学習時のデータ分布と運用時のデータ分布がずれると精度が落ちるため、データ収集、ラベル設計、評価設計がモデル選定と同じくらい重要になります。

問題 2/20
カテゴリ一覧に戻る
問題検索