機械学習は「どんなデータを与えるか」で3つに分かれます。ここを先に押さえると、後の手法名がバラバラの知識になりません。
こんにちは、zawato（@zawato7）です！
本記事はディープラーニング入門ロードマップの第4回、Part2「機械学習の基礎」の入口です。
- 教師あり学習・教師なし学習・強化学習の違いが表で一目でわかる
- データセット・説明変数・目的変数の意味と言い換え
- 特徴量を人が設計する従来手法とディープラーニングの違い
機械学習の3つの学習方法を表で整理する
機械学習は「与えるデータ」と「目的」の違いで、教師あり学習・教師なし学習・強化学習の3つに分けられます。
| 学習方法 | 与えるデータ | 目的 | 代表的なタスク |
|---|---|---|---|
| 教師あり学習 （supervised learning） | 入力データ＋正解データ | 正解を学習し未知のデータを予測する | 回帰（数値予測）・分類（カテゴリ予測） |
| 教師なし学習 （unsupervised learning） | 入力データのみ（正解なし） | データが持つ構造や特徴をつかむ | クラスタリング・次元削減 |
| 強化学習 （reinforcement learning） | 環境と報酬 | 報酬が最大になる行動を学習する | ゲームの対戦戦略・自動運転の制御 |
比喩でいえば、教師あり学習は「答え付きの問題集で覚える」、教師なし学習は「写真を似たもの同士に仕分ける」、強化学習は「何度も遊んで勝ち方を覚える」です。
正解データを人手で作るのはコストが高いため、正解のあるデータで学習したモデルに正解のないデータを予測させ、その結果も学習に使う半教師あり学習（semi-supervised learning）もあります。
データセット・説明変数・目的変数とは
予測に使う項目が説明変数、予測したい項目が目的変数です。
| 用語 | 意味 | 言い換え | 例（アイスの売上予測） |
|---|---|---|---|
| データセット | 分析に用いるデータの集合（正解も含む） | 学習データ・訓練データ | 過去の気温と売上の記録 |
| 説明変数 | 予測に用いるデータ項目 | 入力変数・特徴量 | 最高気温 |
| 目的変数 | 予測対象のデータ項目 | 出力変数・ラベル・正解データ | アイスの売上個数 |
呼び方が違うだけで指すものは同じです。「説明変数＝入力＝特徴量」「目的変数＝出力＝ラベル」と覚えましょう。
特徴量設計と、ディープラーニングが特徴表現学習と呼ばれる理由
従来の機械学習では特徴量を人間が設計しますが、ディープラーニングは特徴量そのものを学習します。これがシリーズ全体を貫く最重要の対比です。
特徴量とは、予測の手がかりになるデータの特徴です。たとえばビールの売上予測なら、気温を入力に加えると精度が上がります。この「何を手がかりにするか」を人が考えて用意する作業が特徴量設計（特徴量エンジニアリング／feature engineering）で、従来は精度を左右する最重要工程でしたが、正しい特徴量を見つけるのは非常に難しい作業です。
そこで、特徴量の選択自体を機械にやらせるアプローチが特徴表現学習（representation learning）です。ディープラーニングはこれを行うアルゴリズムの1つで、大量のデータを与えれば「何を特徴量にすべきか」自体をモデルが見つけ出します。
ここはつまずきやすいポイントです。「層が深いだけ」と理解すると、後半の画像認識や自然言語処理の話がつながりません。
まとめ
- 機械学習は教師あり学習・教師なし学習・強化学習の3つ。違いは「与えるデータ」と「目的」
- 説明変数は予測に使う項目（入力・特徴量）、目的変数は予測したい項目（出力・ラベル）
- 特徴量を人が設計するのが従来の機械学習、特徴量自体を学習するのがディープラーニング（特徴表現学習）
よくある質問
Q. 教師あり学習と教師なし学習は何が違うのですか？
A. 正解データを与えるかどうかです。教師あり学習は入力と正解をセットで与え、教師なし学習は正解なしでデータの構造をつかませます。
Q. 強化学習にも正解データは必要ですか？
A. 必要ありません。与えるのは正解の行動ではなく、行動の結果得られる報酬です。試行錯誤で報酬が最大の行動を学びます。
Q. ディープラーニングを使えば特徴量設計は不要になりますか？
A. モデルが特徴量を獲得する利点はありますが、その分だけ大量のデータと計算資源が必要です。データが少なければ従来手法が有利なこともあります。
コメント