機械学習（machine learning）

分類: テクノロジ系基礎理論
出る試験: 基本情報応用情報
重要度: ★★★★☆

規則を人が書く代わりに、データから見つけさせる方法。AIの中の一分野にあたる。

もう少し詳しい説明

機械学習は、規則を人が書く代わりに、データから見つけさせる方法です。AIの中の一分野にあたります。

迷惑メールの判定で考えると分かりやすいはずです。

人が規則を書く … 「件名に『当選』が入っていたら迷惑メール」と1つずつ書き足していく。書き漏らした言い回しは素通りする
機械学習 … 迷惑メールと普通のメールを大量に見せて、どこが違うのかを機械に見つけさせる

後者なら、人が気づいていない特徴も拾えます。そのかわり、データが無ければ何もできません。

3つの学び方

機械学習は、何を手がかりに学ぶかで3つに分かれます。ここが試験の中心です。

① 教師あり学習

問題と正解のセットを与えて学ばせます。「このメールは迷惑、このメールは普通」と答えを付けたデータが必要です。

やらせることで2つに分かれます。

回帰 … 数値を当てる。明日の売上、中古車の価格
分類 … どの種類かを当てる。迷惑メールかどうか、写っているのが犬か猫か

代表的な手法は、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクトルマシン（SVM）です。

② 教師なし学習

正解を付けずにデータだけを与えて、構造を見つけさせます。

クラスタリング … 似たものどうしをグループに分ける。顧客をいくつかの層に分ける、など
次元削減 … 項目が多すぎるデータを、意味を保ったまま少ない項目にまとめる。主成分分析が代表

正解を用意しなくてよいぶん手軽ですが、出てきたグループが何を意味するかは人が考えることになります。

③ 強化学習

正解は教えず、結果に点数を付けるやり方です。うまくいったら加点、まずければ減点。点数が高くなるやり方を、試しながら自分で見つけていきます。

囲碁や将棋のAI、ロボットの動作、自動運転が代表例です。「この手が正解」とは教えられないけれど「勝てば良い手」とは言える、という場面に向いています。

学び方	与えるもの	何をする
教師あり学習	問題＋正解	回帰（数値を当てる）／分類（種類を当てる）
教師なし学習	問題だけ	クラスタリング／次元削減
強化学習	結果への点数	点数が高くなるやり方を試しながら探す

データを3つに分ける

学習させたら、ちゃんと使えるかを確かめる必要があります。そのため、手元のデータを分けて使います。

学習データ（訓練データ）… 学習そのものに使う
検証データ … 学習のしかたを調整するために使う
テストデータ … 最後に、実力を測るためだけに使う

テストデータは学習に一切使いません。 学習に使ったデータで成績を測っても、答えを見ながら答案を書いたようなもので、何も分からないからです。

分け方にはホールドアウト検証（決めた割合で1回だけ分ける）と交差検証（分け方を変えて何回も試し、平均を取る）があります。データが少ないときは交差検証のほうが安定します。

過学習と汎化性能

機械学習でいちばん問われるのが、ここです。

汎化性能とは、学習に使っていない未知のデータに、どれだけ当たるか。本当に欲しいのはこちらです。

過学習（オーバフィッティング）は、学習データに合わせ込みすぎて、汎化性能が落ちた状態を指します。学習データの細かい癖や、たまたま混じっていた例外まで覚えてしまった状態です。

過去問の答えを丸暗記した受験生が、本番の初見問題で解けない。これと同じことが起きています。

やっかいなのは、学習データでの成績だけを見ていると気づけないことです。学習データでの成績は上がり続けるのに、テストデータでの成績だけが途中から下がり始めます。

データを分けて測る理由が、ここにあります。

何に使われているのか

需要予測、設備の故障予知、画像の検査、与信の審査、商品のおすすめ。過去のデータが貯まっていて、同じような判断をくり返す仕事には、たいてい当てはまります。

逆に、データが無い仕事、前例のない判断には使えません。ここが「AIに何でもやらせられるわけではない」と言われる理由です。

試験ではこう出る

科目A（旧・午前）で出ます。いちばん多いのが、3つの学び方のどれかを説明文から選ばせる問題です。

見分け方は単純で、正解を与えているかを見てください。

正解を与えている → 教師あり
正解を与えていない → 教師なし
正解ではなく点数（報酬）を与えている → 強化学習

次に多いのが過学習です。説明を選ばせる形でも、対策を選ばせる形でも出ます。

回帰と分類の違い（数値か、種類か）も単独で問われます。どちらも教師あり学習の中の話なので、ここを取り違えないでください。

応用情報では、データの偏りがそのまま結果の偏りになる、という点まで踏み込んだ出題があります。

ミニクイズ

機械学習における過学習（オーバフィッティング）の説明として、最も適切なものはどれか。

正解は 2番：学習データに合わせ込みすぎて、未知のデータに対する精度が落ちること

過学習は、学習に使ったデータの細かい癖や例外まで覚え込んでしまい、新しいデータでは当たらなくなる状態です。学習データでの成績だけが良く、テストデータでの成績が悪いという形で現れます。未知のデータにどれだけ当たるかを汎化性能といい、過学習はこれが落ちた状態を指します。見つけるには学習データとテストデータを分けて確かめるしかなく、学習データでの成績だけを見ていると気づけません。

間違えた用語の復習リストを見る →

この分野をまとめて解く → 基礎理論と情報メディアのミニテスト（全39問）

最終更新：2026-10-06