【G検定対策】教師あり学習の代表的なアルゴリズムを整理

教師あり学習は、正解データを使ってAIに学習させる方法です。

ただし、「教師あり学習」という言葉だけを覚えても、G検定では少し足りません。

実際には、分類や回帰といった問題を解くために、決定木、SVM、ランダムフォレストなど、さまざまなアルゴリズムが使われます。

この記事では、AIの学習をはじめたばかりの人向けに、代表的な教師あり学習のアルゴリズムを、細かい数式ではなく「どんな考え方で予測するのか」という視点で整理します。

全体像を整理

教師あり学習では、正解データを使って予測できるように学習します。

その中には、主に 分類 と 回帰 があります。

大事なのは、分類・回帰は「何を予測するか」 であり、決定木やSVMは「どう予測するか」という点です。

分類・回帰・アルゴリズムの違い

教師あり学習を理解するときは、次の3つを分けて考えると整理しやすくなります。

たとえば、犬か猫かを判定する問題は「分類」です。
その分類問題を解く方法として、決定木やSVM、ニューラルネットワークなどを使うことがあります。

ロジスティック回帰とは？

ロジスティック回帰は、主に 分類 に使われる代表的なアルゴリズムです。

名前に「回帰」と入っていますが、G検定では分類に使われる方法として整理しておくと理解しやすいです。

たとえば、次のような場面で使われます。

ロジスティック回帰は、結果が「AかBか」のような分類問題で使われることが多い方法です。

k近傍法（k-NN）とは？

k近傍法は、近くにあるデータを参考にして判断する方法です。

新しいデータが来たとき、その近くにあるデータを見て、「近くに多いカテゴリは何か」をもとに分類します。

たとえば、犬と猫の画像データがあるとします。
新しい画像が犬のデータに近ければ「犬」と判断し、猫のデータに近ければ「猫」と判断するイメージです。

k-NNは、仕組みはイメージしやすいですが、データが多いと計算量が増えやすい点もあります。

SVMとは？

SVMは、データを分ける境界線をうまく引く方法です。

正式にはサポートベクターマシンと呼ばれます。

分類問題では、データを2つのグループに分ける境界を考えます。
SVMでは、その境界をできるだけうまく引き、分類しやすくします。

SVMは、単に境界線を引くのではなく、グループ同士の間隔をできるだけ広く取る考え方が特徴です。

決定木とは？

決定木は、条件分岐を使って判断する方法です。

「この条件に当てはまるか？」を順番にたどって、最終的な予測を行います。

たとえば、顧客が商品を買うかどうかを予測する場合、次のように考えます。

決定木は、判断の流れが見えやすいのが特徴です。

決定木はわかりやすい反面、細かく分けすぎると学習データに合わせすぎてしまうことがあります。

ランダムフォレストとは？

ランダムフォレストは、複数の決定木を組み合わせる方法です。

1本の決定木だけで判断するのではなく、たくさんの決定木を作り、その結果を組み合わせて予測します。

「フォレスト」は森という意味です。
つまり、ランダムフォレストは、たくさんの決定木を集めた方法と考えるとわかりやすいです。

複数のモデルを組み合わせるため、1本の決定木よりも安定した予測をしやすくなります。

勾配ブースティングとは？

勾配ブースティングは、前のモデルの間違いを補うように、モデルを順番に重ねていく方法です。

ランダムフォレストと同じく、複数のモデルを組み合わせる考え方ですが、仕組みが少し違います。

勾配ブースティングは、予測性能が高くなりやすい方法として使われます。
ただし、G検定対策では、まず「複数のモデルを組み合わせる方法の一種」と整理しておけば十分です。

ニューラルネットワークとは？

ニューラルネットワークも、教師あり学習で使われる代表的な方法の1つです。

入力データを受け取り、重みを調整しながら、出力が正解に近づくように学習します。

ニューラルネットワークを深くしたものが、ディープラーニングにつながります。

代表的なアルゴリズムを一覧で整理

教師あり学習の代表的なアルゴリズムを一覧で整理すると、次のようになります。

すべてを細かく覚える必要はありません。
まずは、それぞれの「考え方の違い」を押さえることが大切です。

決定木・ランダムフォレスト・ブースティングの違い

決定木、ランダムフォレスト、ブースティングは混同しやすい用語です。

この3つは、「木」を使う方法としてつながっています。

このように流れで整理すると、違いが見えやすくなります。

SVMと決定木の違い

SVMと決定木も、どちらも分類に使われることがあります。

ただし、考え方は違います。

SVMは「どこに境界を引くか」を考える方法です。
決定木は「どの条件で分けるか」を考える方法です。

どちらも分類に使えるため、G検定では「分類問題で使われる代表的な手法」として整理しておくとよいです。

G検定ではどう問われる？

G検定では、細かい計算よりも、用語の意味や関係が問われやすいです。

たとえば、次のような見分け方が大切です。

特に、ランダムフォレストはアンサンブル学習の代表例として問われることがあります。

なぜ混同しやすい？

教師あり学習のアルゴリズムは、名前だけを見ると混同しやすいです。

理由は、次の3つが頭の中で混ざりやすいからです。

たとえば、分類は「問題の種類」です。
SVMや決定木は、その分類問題を解くための「方法」です。

この階層を分けて考えると、混同しにくくなります。

まとめ

教師あり学習では、正解データを使って分類や回帰を行います。

その分類や回帰を解くための具体的な方法として、ロジスティック回帰、k-NN、SVM、決定木、ランダムフォレスト、勾配ブースティング、ニューラルネットワークなどがあります。

• 分類・回帰は「何を予測するか」
• アルゴリズムは「どう予測するか」

G検定では、細かい数式よりも、それぞれのアルゴリズムがどのような考え方なのか、どの用語と関係するのかを整理しておくことが大切です。

関連記事・おすすめ記事

教師あり学習と教師なし学習の違いを先に整理したい方は、こちらの記事も参考になります。

関連記事

【G検定対策】教師あり学習と教師なし学習とは？｜分類・回帰・クラスタリングの違いを整理

ランダムフォレストやブースティングの考え方を深めたい方は、アンサンブル学習の記事も参考にしてください。

関連記事

【G検定対策】アンサンブル学習とは？｜なぜ複数のAIを組み合わせるのか？

決定木などで起こりやすい過学習について確認したい方は、こちらの記事もあわせて読むと理解しやすくなります。

関連記事

【G検定対策】過学習とは？わかりやすく整理

分類モデルをどう評価するのかを知りたい方は、評価指標の記事も参考になります。

関連記事

【G検定対策】評価指標の使い分け方は？わかりやすく整理

用語の意味をまとめて確認したい場合は、G検定で覚えたいAI用語一覧もあわせて読んでみてください。

こちらもおすすめ

【G検定対策】G検定で覚えたいAI用語一覧｜意味・違い・見分け方をわかりやすく整理

1回目不合格でした。不合格だった原因を分析しました。

こちらもおすすめ

【不合格体験談】G検定に落ちた原因｜「成功体験」と「過学習」が落とし穴

公式テキスト

Amazonで確認

Amazonで確認する

楽天市場で確認

楽天市場で確認する

合格時に使用した問題集

Amazonで確認

Amazonで確認する

楽天市場で確認

楽天市場で確認する

運営者

このブログの運営者です。文系出身です。SEO検定1級、ウェブマスター検定1級を取得しました。ブログ運営には「AIの活用は必須」と思いG検定を取得しました。G検定は簡単といわれがちですが1回目は不合格でした。その失敗経験を元に、これから受験する方の助けになればとできるだけわかりやすくG検定対策は解説しています。間違い等あればご指摘いただければ幸いです。