機械学習とは何か
機械学習とは、データを使って予測や分類の仕方を調整する技術です。例えば「面積から塗料の使用量を予測する」なら、面積に掛ける係数などを、実績に合うように求めます。このように、学習で変わるのはモデルの内部の数値や構造です。
この記事では小さな計算例から、学習で何が変わり、完成したモデルを使うときに何が起きるのかを説明します。あわせて、ニューラルネットワーク以外の手法や、未知のデータで性能を確かめる理由も整理します。
機械学習の基本的な定義
機械学習とは、コンピュータがデータから規則性を見つけ出す技術です。
人間がプログラムで細かいルールを書くのではありません。
つまり、コンピュータ自身がデータを見て、パターンを発見します。
例えば、大量の猫の写真を見せると、猫の特徴を自分で見つけ出します。
そして、新しい写真を見せても、猫かどうかを判定できるようになります。
これが、機械学習の最も基本的な仕組みです。
ちなみに、この言葉は英語の「Machine Learning」の訳語です。
略して「ML」と呼ばれることも、よくあります。
従来のプログラムとの違い
従来のプログラムでも複雑な計算はできます。機械学習との違いは、判断の細部まで人が指定するか、データを使って判断の仕方を調整するか、という点にあります。
一方、機械学習は、ルール自体をデータから作り出します。
したがって、複雑な問題にも柔軟に対応できます。
例えば、迷惑メールの判定です。特定の単語だけで判定すると、普通のメールを誤って除外したり、表現を変えた迷惑メールを見逃したりします。
これらは、ルールを人間が書くのが難しい分野です。
なぜなら、例外や条件が、あまりにも多いからです。
そのため、機械学習が、大きな力を発揮するのです。
AIは実際に「何」を学習しているのか
ここからが、本記事の核心です。
ニューラルネットワークや線形回帰では、主に「パラメータ」という数値を学習します。ただし、機械学習のすべてが重みの調整というわけではありません。決定木はデータを分ける条件や木の構造を求め、近傍法は保存した事例との近さを予測に使います。以下では、数値を調整するモデルに絞って見ていきます。
パラメータという名の「重み」
パラメータとは、モデルの振る舞いを決める調整可能な値です。入力の影響の強さを表す「重み」のほか、出力をずらす「バイアス」もあります。数はモデルによって異なり、数個の場合も膨大な場合もあります。
ニューラルネットワークは通常、重みをランダムに初期化しますが、すべてのモデルがそうするわけではありません。また、事前学習済みモデルなら、すでに得た重みを出発点にできます。学習回数を増やせば必ず良くなるわけでもなく、後で説明する過学習に注意が必要です。
計算例：何を変えると予測が良くなる？
塗装面積 x（m²）から塗料の量 y（L）を予測するとします。説明用の架空データを、10 m²で2 L、20 m²で4 L、30 m²で6 Lとします。実際の必要量は塗料・下地・塗り回数などで変わるため、施工の目安には使わないでください。
予測式を ŷ = wx と置きます。ŷは予測した量、wは1 m²当たりの量です。今回は仕組みを見やすくするため、切片を0に固定しています。
| 面積 | 実績 | w=0.1 | w=0.2 |
|---|---|---|---|
| 10 m² | 2 L | 1 L | 2 L |
| 20 m² | 4 L | 2 L | 4 L |
| 30 m² | 6 L | 3 L | 6 L |
間違いの大きさを測る関数を損失関数といいます。例えば「誤差を二乗して平均する」平均二乗誤差なら、w=0.1での損失は {(1−2)²+(2−4)²+(3−6)²}/3 = 14/3 ≒ 4.67 L²。w=0.2なら0 L²になります。
変えたのは入力の面積でも実績の量でもなく、係数wです。データに合う係数を求めることが、この例の「学習」に当たります。勾配降下法は、損失の傾きを使って係数を更新する方法ですが、線形回帰では条件に応じて別の解法も使えます。
学習したw=0.2で25 m²を入力すると、0.2×25=5 Lと予測できます。この計算が推論です。ただし、訓練データに完全に合うことと、現場でも正確であることは別です。実データには測定誤差や条件の違いがあり、この3点だけでは実用性能を判断できません。
パターンという抽象的な知識
では、重みの調整で、何が身についているのでしょうか。
それは、データに潜む「パターン」です。
画像認識なら、輪郭や模様など、分類に役立つ特徴が計算の中に表れます。ただし、必ず猫の耳や目を根拠にするとは限りません。背景だけを手掛かりにしてしまうこともあります。
ただし、人間のように「耳が三角形」と言語化はしません。
あくまで、数値の組み合わせとして表現されます。
そのため、AIの判断根拠は、人間には分かりにくいのです。
この点は「ブラックボックス問題」として、よく議論されます。
近年は、判断根拠を可視化する研究も進んでいます。
例えば、画像のどの部分に注目したかを、色で示す手法もあります。
ディープラーニングとの関係
ここで、よく混同される言葉について整理します。
「ディープラーニング」も、機械学習の一種です。
つまり、機械学習という大きな枠組みの中に含まれます。
ディープラーニングは「ニューラルネットワーク」を、多層に重ねた手法です。
層を深くすることで、より複雑なパターンを学習できます。
そのため、画像認識や、自然言語処理で、高い性能を発揮します。
実際に、ChatGPTのような対話AIも、この技術を基盤としています。
ただし、仕組みの根本は、先ほど説明した重みの調整と同じです。
層が増えるほど、調整すべき重みの数も、膨大になります。
学習方法の種類
機械学習には、いくつかの学習方法があります。
ここでは、代表的な3つを紹介します。
教師あり学習
教師あり学習は、正解付きのデータを使います。
例えば、猫の写真に「猫」というラベルをつけます。
AIは、写真とラベルの組み合わせから学習します。
そして、正解と予測のズレを、少しずつ減らしていきます。
画像認識や、迷惑メール判定に、よく使われる手法です。
ちなみに、この手法には、大量のラベル付きデータが必要です。
そのため、データ準備に、多くの手間がかかります。
教師なし学習
一方、教師なし学習には、正解ラベルがありません。
AIは、データの中の似た者同士を、自分でグループ分けします。
例えば、顧客の購買データを分析する場合です。
似た購買傾向を持つ顧客を、自動的にグループ化します。
このグループ分けを「クラスタリング」と呼びます。教師なし学習の一種であり、教師なし学習全体の別名ではありません。ほかに、多数の変数を少数の成分で表す次元削減などもあります。
マーケティング分析などで、幅広く活用されています。
強化学習
強化学習は、試行錯誤によって学ぶ方法です。
AIは、行動に対して「報酬」を受け取ります。
報酬は人が設計した評価信号で、正にも負にもなり、行動から遅れて与えられることもあります。目標は一般に、将来を含めた累積報酬の期待値を高めることです。報酬設計が目的とずれると、望ましくない行動が選ばれることもあります。
ゲームAIや、ロボット制御などに、応用されています。
なお、文章の一部を隠して予測するように、データ自身から学習の目標を作る「自己教師あり学習」もあります。手作業で正解を付ける負担を減らせる点が特徴です。
過学習という落とし穴
機械学習には、注意すべき問題があります。
それが「過学習」、英語で言う「オーバーフィッティング」です。
過学習とは、AIが訓練データを覚えすぎてしまう状態です。
つまり、丸暗記に近い状態になってしまうのです。
その結果、見たことのある問題には強くなります。
しかし、初めて見るデータには、うまく対応できなくなります。
これは、応用力のない「詰め込み学習」に似ています。
そのため、開発者は、過学習を防ぐ工夫を行います。
訓練用データでパラメータを調整し、検証用データで設定や学習を止める時点を選び、最後に別のテスト用データで評価します。分割だけで過学習が解消するわけではありませんが、未知のデータに対応できているかを見分けやすくなります。
データの質と量の重要性
機械学習の性能は、データに大きく左右されます。
「Garbage in, garbage out」という言葉があります。
つまり、質の悪いデータからは、質の悪いAIしか生まれません。
例えば、晴れた日の写真だけを大量に増やしても、夜間の認識が良くなるとは限りません。実際に使う条件を含むデータが必要です。
偏ったデータを使うと、AIの判断にも偏りが生まれます。
偏りを完全になくせるとは限らないため、利用条件ごとに誤り方を確認します。
身近な例で理解する
スマートフォンの音声認識では、入力音声を学習済みモデルに通して文字列を推定します。ここでも「利用中の推論」と「モデルを調整する学習」は区別が必要です。
使うたびに必ずその場で重みが更新されるわけではありません。個人に合わせた適応やデータの利用方法は、製品・設定・運用により異なります。会話の履歴を参照して応答が変わる場合も、それだけで再学習したとはいえません。
機械学習の応用分野
機械学習は、すでに多くの分野で活用されています。
ここでは、代表的な応用例を紹介します。
まず、医療分野では、画像診断の補助に使われています。
例えば、レントゲン画像から、病変を検出する技術です。
次に、金融分野では、不正取引の検知に活用されています。
また、株価予測にも、機械学習が使われることがあります。
さらに、マーケティング分野では、購買予測に役立っています。
そして、エンターテインメント分野でも、応用が進んでいます。
例えば、動画配信サービスの、おすすめ機能などです。
このように、応用範囲は、日々広がり続けています。
よくある誤解
機械学習について、よくある誤解があります。
それは「AIが人間のように考えている」という誤解です。
流暢に答えたり高い正答率を示したりしても、それだけで人間と同じ理解や意識があるとは判断できません。意味理解をどう定義するかという議論と、モデルの出力が正しいかという実務上の確認は分けて考えましょう。
この違いを理解することは、とても重要です。
なぜなら、AIの限界を正しく把握できるからです。
また、AIは万能ではない、という点も覚えておきましょう。
学習していない状況には、うまく対応できないこともあります。
まとめ
線形回帰の例では、学習したのは面積と塗料の量を結び付ける係数でした。ニューラルネットワークでは多数の重みやバイアスを調整しますが、学習結果の持ち方は手法によって異なります。
モデルを見るときは「何を入力し、何を予測するか」「学習で何を変えるか」「未知のデータでどう確かめたか」の3点を押さえると、得意なことと限界を具体的に捉えられます。
参考資料・関連する解説
- Google：線形回帰の式とパラメータ。本文の塗料の計算は、仕組みを説明するために作成した架空例です。
- Google：データセットの分割
- scikit-learn：教師なし学習の各手法
- ニューラルネットワークの仕組みと数式：重みを組み合わせる計算をさらに学ぶ。
コメント