目次(14項目)
「機械学習」と聞くと、難しい数式やプログラミングを思い浮かべるかもしれません。
実際、専門的に学ぼうとすると数学やプログラミングの知識が必要になります。しかし、機械学習が何をしているのか、その基本的な仕組みを理解する段階では、必ずしも数式から入る必要はありません。
例えば、AIが過去のデータをもとに売上を予測したり、迷惑メールを自動で判定したりするのも機械学習の活用例です。
では、AIはどうやって予測しているのでしょうか。
そして、AIの予測が正しかったかどうかは、どう判断するのでしょうか。
この2つの疑問を解くために使うのが、「線形回帰」と「混同行列」です。
結論から言うと、線形回帰はデータの傾向を直線で表して数値を予測する方法です。一方、混同行列は、分類の予測結果を「何を正しく判定し、何を間違えたのか」に分けて確認する表です。
この2つは同じ種類の手法ではありません。
- 線形回帰:数値を予測するためのモデル
- 混同行列:分類の結果を評価するための表
つまり、予測の仕組みを理解することと、その予測が役に立つかを判断することは別なのです。
今回は、数式を使わずに、この2つがどのようにつながっているのかを解説します。
1. そもそも機械学習は何をしているの?
機械学習とは、コンピュータがデータから規則性やパターンを学習し、新しいデータに対する予測や判断に利用する技術です。
例えば、次のような場面を考えてみましょう。
あるお店で、商品の売上を予測したいとします。
人間であれば、
「週末は売れやすい」
「雨の日は来店客が少ない」
「気温が高いと冷たい飲み物が売れやすい」
といった経験から予想するかもしれません。
機械学習では、このような関係を過去のデータから学習し、予測に利用します。
つまり、コンピュータが人間と同じように意味を理解しているとは限らず、入力された情報と、求めたい答えとの関係をデータから捉えているのです。
人間がルールを教える方法と何が違う?
従来のルールベースの仕組みでは、人間が条件を決めます。
例えば、
「購入金額が5,000円以上なら送料無料」
というルールです。
これは、人間が最初から判断基準を指定しています。
一方、機械学習では、過去の購入履歴や顧客の行動データなどから、購入につながりやすい条件を学習できます。
機械学習でも、何を予測したいのか、どのデータを使うのか、どの種類のモデルで学習するのかといった部分は、人間が設計する必要があります。
機械学習には「回帰」と「分類」がある
機械学習の代表的な仕事には、回帰と分類があります。
| 種類 | 何を予測する? | 具体例 |
|---|---|---|
| 回帰 | 数値 | 売上金額、気温、住宅価格 |
| 分類 | カテゴリー | 迷惑メールかどうか、不良品かどうか、画像に何が写っているか |
例えば、明日の売上を「12万円」と予測するのは回帰です。
一方、受信したメールを「迷惑メール」「通常メール」に分けるのは分類です。
回帰は「いくつになるか」、分類は「どちらに属するか」を考えるものと理解すると、違いが分かりやすくなります。
なお、どちらも正解付きのデータを使って学習する「教師あり学習」で扱える問題です。
2. 線形回帰とは?なぜ直線で予測できるの?
線形回帰とは、データ同士の関係を直線で近似し、その関係を使って数値を予測する方法です。
例えば、学習時間とテストの点数の関係を考えてみましょう。
一般に、適切な勉強を十分に行えば点数の向上につながる可能性があります。
しかし、全員が同じように点数を伸ばすわけではありません。
同じ時間勉強していても、学習内容、もともとの理解度、勉強方法などによって結果が変わるからです。
もし、複数の生徒の学習時間とテストの得点をグラフに表したら、どうなるでしょうか。
横軸を学習時間、縦軸をテストの点数として、一人ひとりのデータを点で表します。
このとき、点が完全に一直線に並ぶとは限りません。
それでも、点全体を見ると、右上がりの傾向が見えることがあります。
その傾向を一本の直線で表そうとするのが、線形回帰の基本的な考え方です。
※学習時間と得点の例は、仕組みを説明するためのものです。両者が必ず直線的な関係になるという意味ではありません。
なぜ、すべての点を通る直線にしないの?
ここで疑問が生まれます。
「データを使うなら、すべての点を正確に通る線を引けばいいのでは?」
実は、現実の観測データにはさまざまなばらつきがあります。
同じ条件に見えても結果が違うことは珍しくありません。
そのため、すべての点を通るような複雑な線を無理に作ると、過去のデータには非常によく合っていても、新しいデータをうまく予測できなくなる場合があります。
目的は、過去のデータを一つ残らず再現することではなく、新しいデータにも使える関係を捉えることです。
線形回帰では、まず直線という比較的単純な形を使い、その範囲でデータに合う関係を探します。
では、どの直線を選べばいいの?
直線は、傾きや位置を変えれば何本でも引けます。
右上がりの急な直線もあれば、緩やかな直線もあります。
しかし、どの直線を選ぶかによって予測結果は変わってしまいます。
そこで使われる代表的な方法が「最小二乗法」です。
3. 最小二乗法とは?「予測と実際のズレ」を小さくする仕組み
最小二乗法とは、予測した値と実際の値とのズレをもとに、データに合う直線を決める方法です。
例えば、グラフ上に実際のデータを表した点があるとします。
そして、その近くに予測用の直線を引きます。
このとき、実際の点と直線の間には、縦方向のズレが生まれることがあります。
このズレが、予測の誤差です。
誤差が小さければ、よい直線なの?
基本的には、観測されたデータに対する誤差が小さいほど、そのデータにはよく当てはまっています。
しかし、一つのデータだけを見てはいけません。
ある点には非常に近くても、ほかの多くの点から大きく離れている直線では、全体の傾向をうまく表していないかもしれません。
そこで、すべてのデータのズレをまとめて考えます。
最小二乗法では、それぞれの誤差を二乗し、それらを足し合わせた値が最も小さくなるように直線を決めます。
図1
最小二乗法のイメージ:誤差を二乗して、合計が最も小さくなる直線を選ぶ
説明のための例です。実際の測定データではありません。
図の内容を文章で読む
横軸が学習時間、縦軸がテストの点数で、6人分のデータを点で表している(説明のための例で、実際の測定データではない)。点は完全には一直線に並ばないが、全体として右上がりの傾向がある。
右上がりの直線は、この6つの点に最もよく合うように最小二乗法で引いた直線である。各点と直線の間には縦方向のズレがあり、これが予測の誤差である。点が直線より上にあるときは上向きの、下にあるときは下向きのズレになる。
それぞれのズレを一辺とする正方形が描かれている。これが誤差を二乗したものにあたり、これらの面積を足し合わせた値が最も小さくなるように直線を選ぶのが最小二乗法である。
なぜズレを二乗するの?
誤差には、予測より実際の値が大きい場合と、小さい場合があります。
例えば、実際の点が直線より上にあればプラス方向のズレ、下にあればマイナス方向のズレになります。
これらをそのまま足すと、互いに打ち消し合ってしまう可能性があります。
大きく外れている点があっても、合計が小さく見えてしまうのです。
二乗すれば、プラスの誤差もマイナスの誤差も正の値になります。
さらに、大きなズレがあると、その影響はより大きくなります。
つまり、最小二乗法は、ただズレを足すのではなく、大きな外れ方も考慮しながら、データ全体に合う直線を選ぶ方法なのです。
ただし、大きく外れたデータの影響を強く受けるという特徴もあります。
線形回帰で分かるのは「原因」ではない
もう一つ、注意しておきたいことがあります。
線形回帰で関係が見つかったとしても、それだけで原因と結果が証明されたわけではありません。
例えば、広告費と売上の間に右上がりの関係が見られたとします。
それだけで「広告費を増やせば必ず売上が増える」とは言い切れません。
季節や商品の人気など、両方に影響する別の要因があるかもしれないからです。
データに関係があることと、一方が他方の原因であることは違います。
これは線形回帰に限らず、データを読み取るときの基本になる考え方です。
4. 回帰と分類では「予測の正しさ」の考え方が違う
ここまで、線形回帰が数値を予測する仕組みを説明してきました。
では、機械学習の性能を調べるときは、何を見ればよいのでしょうか。
実は、回帰と分類では、評価の仕方が異なります。
線形回帰のように数値を予測する場合は、予測値が実際の値からどれくらい離れていたかを調べます。
例えば、売上を予測するなら、予測した金額と実際の金額の差が問題になります。
一方、迷惑メールの判定のような分類では、正しかった件数だけでなく、どちらの方向に間違えたのかを見ます。
「迷惑メールを通常メールと判定した」
「通常メールを迷惑メールと判定した」
この2つは、どちらも間違いです。
しかし、利用者に与える影響は同じとは限りません。
だからこそ、分類では間違い方を区別する必要があります。
そこで登場するのが、混同行列です。
5. 混同行列とは?4つの結果に分ける理由
混同行列(Confusion Matrix)とは、実際の正解とモデルの予測を照らし合わせ、分類結果を整理した表です。
今回は、迷惑メールを判定する仕組みを例に考えてみましょう。
モデルの仕事は、メールを次の2つに分けることです。
- 迷惑メール
- 通常メール
ここでは、迷惑メールを「陽性」、通常メールを「陰性」と呼ぶことにします。
陽性と陰性は、病気の検査だけで使う言葉ではありません。分類で注目する対象を陽性、それ以外を陰性として扱えます。
4種類の判定結果
| 実際の状態 | 迷惑メールと予測 | 通常メールと予測 |
|---|---|---|
| 本当に迷惑メール | 真陽性(TP) | 偽陰性(FN) |
| 本当は通常メール | 偽陽性(FP) | 真陰性(TN) |
少し難しそうな言葉ですが、意味は単純です。
真陽性(TP)
本当に迷惑メールであり、モデルも迷惑メールと判定しました。正しく見つけた状態です。
偽陽性(FP)
本当は通常メールなのに、モデルが迷惑メールと判定しました。誤って検出した状態です。
偽陰性(FN)
本当に迷惑メールなのに、モデルが通常メールと判定しました。見逃した状態です。
真陰性(TN)
本当に通常メールであり、モデルも通常メールと判定しました。正しく除外した状態です。
図2
混同行列の4つのマス:実際の状態と予測の組み合わせ
迷惑メールを「陽性」、通常メールを「陰性」とした例です。
図の内容を文章で読む
縦に実際の状態(上が「本当に迷惑メール」、下が「本当は通常メール」)、横にモデルの予測(左が「迷惑メールと予測」、右が「通常メールと予測」)を並べた2行2列の表である。
左上は真陽性(TP)で、本当に迷惑メールであり、迷惑メールと予測した「正しく検出」の状態。右上は偽陰性(FN)で、本当に迷惑メールなのに通常メールと予測した「見逃し」の状態。
左下は偽陽性(FP)で、本当は通常メールなのに迷惑メールと予測した「誤検出」の状態。右下は真陰性(TN)で、本当に通常メールであり、通常メールと予測した「正しく除外」の状態。
左上と右下は正しい判定で色が付いている。右上と左下は間違った判定で色が付いていない。
間違いにも2種類あります。
偽陽性は「本当は違うものを、そうだと判断してしまう間違い」です。
偽陰性は「本当はそうなのに、見逃してしまう間違い」です。
混同行列を見れば、モデルがどちらの間違いを起こしているのかが分かります。
6. 正解率・適合率・再現率は何が違う?
混同行列からは、モデルの性能を表すさまざまな指標を求められます。
代表的なのが次の3つです。
| 指標 | 何を確かめる? | 見るべき範囲 |
|---|---|---|
| 正解率(Accuracy) | 全体としてどれだけ当たった? | すべての予測 |
| 適合率(Precision) | 陽性と判定したものは、どれだけ本物だった? | 陽性と予測したもの |
| 再現率(Recall) | 本当の陽性を、どれだけ見つけられた? | 実際に陽性だったもの |
違いを理解するには、定義を覚えるより、具体的な数字を見る方が分かりやすいと思います。
例:1,000件の判定結果を評価する
『ビジネスの現場で使えるAI&データサイエンスの全知識』に掲載された2値分類の説明用数値を使って考えてみましょう。
以下では、元資料の「1」「0」という判定を、迷惑メールかどうかという例に読み替えています。実際のメールを測定したデータという意味ではありません。
| 実際の状態 | 迷惑メールと予測 | 通常メールと予測 |
|---|---|---|
| 本当に迷惑メール | 400件 | 100件 |
| 本当は通常メール | 200件 | 300件 |
全部で1,000件あります。
このモデルの評価を、3つの指標で考えてみましょう。
正解率:全体のうち何件当たった?
正解率は、すべての予測のうち、正しかったものの割合です。
この表では、
迷惑メールを正しく判定した400件と、通常メールを正しく判定した300件が正解です。
合わせると700件になります。
全部で1,000件なので、正解率は70%です。
つまり、全体の10件に7件を正しく分類したことになります。
これだけを見ると、ある程度は予測できているように感じるかもしれません。
しかし、まだ分からないことがあります。
それは、モデルが何を間違えているのかという点です。
適合率:「迷惑メール」と言ったものは本物だった?
適合率は、陽性と予測したもののうち、本当に陽性だったものの割合です。
今回、モデルは600件を迷惑メールと判定しています。
しかし、そのうち本当に迷惑メールだったのは400件でした。
残りの200件は通常メールです。
したがって、適合率は約66.7%です。
言い換えると、迷惑メールと判定したものの約3件に1件は、実際には通常メールだったということです。
正解率70%という数字だけでは、この問題は見えにくくなります。
再現率:本当の迷惑メールをどれだけ見つけた?
再現率は、実際に陽性だったもののうち、モデルが正しく見つけた割合です。
今回、本当に迷惑メールだったものは500件あります。
そのうち400件を正しく迷惑メールと判定しています。
しかし、100件を通常メールと判定して見逃しています。
したがって、再現率は80%です。
これは、本当に迷惑メールだったものの5件に1件を見逃しているという意味です。
同じ予測結果でも、次のように評価が変わります。
| 指標 | 結果 | 分かること |
|---|---|---|
| 正解率 | 70% | 全体の7割を正しく分類 |
| 適合率 | 約66.7% | 迷惑メールと判定したうち約3分の1は誤判定 |
| 再現率 | 80% | 本物の迷惑メールの2割を見逃した |
ここで気づいてほしいのは、3つの指標は同じものを測っていないということです。
それぞれ違う問いに答えています。
7. なぜ正解率99%でも、使えないAIがあるの?
正解率が高いほど、優秀なAIだと思うかもしれません。
しかし、実際には正解率が99%を超えていても、見つけたい対象をほとんど見つけられていないモデルがあります。
正解率99.1%、再現率10%という例
先ほどの書籍には、次のような説明用の混同行列も掲載されています。
| 実際の状態 | 陽性と予測 | 陰性と予測 |
|---|---|---|
| 実際に陽性 | 1件 | 9件 |
| 実際に陰性 | 0件 | 990件 |
全部で1,000件あります。
正しく判定したのは、陽性の1件と陰性の990件です。
合計991件が正解なので、正解率は99.1%です。
では、再現率はどうでしょうか。
実際に陽性だったのは10件で、そのうち見つけられたのは1件だけです。
つまり、再現率は10%しかありません。
| 指標 | 結果 |
|---|---|
| 正解率 | 99.1% |
| 適合率 | 100% |
| 再現率 | 10% |
適合率が100%なのは、陽性と予測した1件が本当に陽性だったからです。
しかし、実際の陽性10件のうち9件を見逃しています。
図3
全体の正解率99.1%と、陽性の再現率10%の対比
出典:三好大悟『ビジネスの現場で使えるAI&データサイエンスの全知識』(インプレス)に掲載された説明用の数値(1,000件)。
全体の正解率
- 99.1%
- 1,000件のうち991件が正解
同じことを測っていない
陽性の再現率
- 10%
- 実際の陽性10件のうち、見つけたのは1件(9件を見逃した)
正解率が高くても、見つけたい陽性をほとんど見つけられていないことがある。
もし、このモデルの仕事が危険な状態を早期に発見することだったらどうでしょうか。
正解率99.1%という数字だけで「非常に優秀」と判断するのは問題があります。
なぜ、このようなことが起こるのでしょうか。
原因は「もともと陰性が圧倒的に多い」こと
先ほどの例では、1,000件のうち990件が陰性でした。
つまり、ほとんどのデータが陰性です。
こうした状況では、陰性と予測しているだけでも正解率が高くなりやすいのです。
極端に言えば、この1,000件をすべて陰性と予測した場合でも、正解率は99%になります。
しかし、そのモデルは陽性を1件も見つけられません。
これが、データの偏りによって正解率が誤解を生む代表的な仕組みです。
つまり、正解率が高いだけでは、本当に見つけたいものを見つけられているかは分かりません。
8. 適合率と再現率、結局どちらを重視するの?
では、正解率だけでは不十分だとすると、適合率と再現率のどちらを重視すればよいのでしょうか。
ここでは、機械学習の目的に戻って考える必要があります。
見逃しを減らしたいなら再現率
例えば、不正取引を検出するシステムを考えてみましょう。
本当は不正な取引なのに、正常な取引だと判定してしまえば、不正を見逃すことになります。
このような見逃しを減らしたいなら、再現率を重視します。
ただし、再現率だけを上げればよいわけではありません。
何でも不正と判定すれば、本当の不正を見逃しにくくなりますが、正常な取引まで大量に不正扱いする可能性があります。
それでは、運用上の問題が生じてしまいます。
誤検出を減らしたいなら適合率
一方で、通常メールを迷惑メール扱いすることが大きな問題になる場面を考えましょう。
例えば、顧客からの重要な連絡が自動的に迷惑メールへ振り分けられ、担当者が気づかなかったら困ります。
このような誤検出を減らしたい場合には、適合率を重視します。
ただし、確実に迷惑メールだと思えるものだけを判定すると、本当の迷惑メールも見逃しやすくなる可能性があります。
判定基準を変えると結果も変わる
多くの分類モデルでは、ある対象が陽性である可能性をスコアとして出力できます。
例えば、そのスコアが一定の値以上なら陽性と判定する、という仕組みです。
この判定の境目を「閾値(しきい値)」と呼びます。
閾値を低くすれば、より多くの対象を陽性と判定します。
その結果、陽性を見逃しにくくなる一方で、陰性を誤って陽性にする可能性も高まります。
逆に、閾値を高くすれば、より確信のある対象だけを陽性と判定します。
その結果、誤検出は減らしやすくなりますが、本当の陽性を見逃す可能性もあります。
つまり、適合率と再現率は、同じモデルでも判定基準の設定によって変わり得るのです。
どちらを重視するべきかは、どちらの間違いを減らしたいのかによって判断します。
モデルを使う目的を明確にすれば、何を重視して評価すべきか判断できます。
9. 学習に使ったデータで正解できれば、それで十分?
ここまでで、回帰による予測と分類の評価について説明しました。
しかし、もう一つ問題があります。
それは、モデルが過去のデータにうまく当てはまっていても、新しいデータを正しく予測できるとは限らないことです。
例えば、過去のテスト問題をすべて暗記している生徒がいたとします。
その問題をもう一度解けば、高得点を取れるでしょう。
しかし、初めて見る問題でも高得点を取れるとは限りません。
機械学習でも、これと似た問題が起こります。
学習に使ったデータには非常によく当てはまるのに、未知のデータに対して予測性能が落ちてしまう現象です。
これを「過学習」と呼びます。
なぜデータを分けて評価するの?
機械学習では、モデルを学習するためのデータと、性能を検証するためのデータを分けます。
学習に使ったデータだけで性能を判断すると、過去のデータに特化したモデルを高く評価してしまう可能性があるからです。
そこで、学習に使っていないデータで予測を試し、その結果を評価します。
ここまでをつなげると、機械学習の基本的な流れが見えてきます。
データを集める
↓
何を予測したいか決める
↓
モデルに規則性を学習させる
↓
学習に使っていないデータで予測する
↓
目的に合った指標で評価する
↓
必要に応じて改善する
機械学習とは、単にデータから計算する技術ではありません。
予測を作り、その予測が未知の状況でも役立つかを検証していく技術でもあるのです。
10. 理解できたか3問で確認してみよう
最後に、今回学んだ内容を使って考えてみましょう。
問題1
あるモデルは、過去の気温データから翌日の最高気温を予測します。
これは回帰と分類のどちらでしょうか。
答え:回帰です。
予測しているのは「暑い日」「寒い日」といったカテゴリーではなく、気温という数値だからです。
問題2
ある迷惑メール判定モデルでは、本当に迷惑メールだった500件のうち、400件を正しく検出しました。
この情報から分かるのは、適合率と再現率のどちらでしょうか。
答え:再現率です。
実際に迷惑メールだったもののうち、どれだけ検出できたかを見ているからです。
この場合、再現率は80%です。
一方、適合率を求めるには、モデルが迷惑メールと判定した全件数も必要になります。
問題3
あるモデルの正解率は99%でした。
この情報だけで、そのモデルが優秀だと判断してよいでしょうか。
答え:判断できません。
全体の正解率だけでは、どのような間違いをしているのかが分からないからです。
特に、陽性と陰性の割合が大きく偏っている場合は、混同行列を使って適合率や再現率も確認する必要があります。
11. よくある疑問
線形回帰とロジスティック回帰は同じもの?
同じものではありません。
線形回帰は、売上金額や価格などの数値を予測する回帰モデルです。
一方、ロジスティック回帰は、名前に「回帰」が入っていますが、代表的な用途は分類です。
例えば、ある取引が不正に該当する可能性を求め、それをもとに分類する場合などに使えます。
名前だけで用途を判断しないようにしましょう。
混同行列は線形回帰の評価にも使える?
通常の数値予測を行う線形回帰を、そのまま混同行列で評価することはしません。
混同行列は、実際の分類結果と予測した分類結果を比較する表だからです。
線形回帰では、予測値と実際の数値のズレなどを評価します。
ただし、数値予測を別途カテゴリーに変換した場合には、そのカテゴリーの分類結果を評価することはできます。
適合率が100%なら完璧なAI?
そうとは限りません。
適合率100%は、陽性と予測したものがすべて実際に陽性だったことを意味します。
しかし、実際の陽性を大量に見逃している可能性があります。
そのため、再現率も確認する必要があります。
なお、陽性と予測したものが1件もない場合、通常の意味では適合率を計算できないため、評価ツール側の取り扱いにも注意が必要です。
文系でも機械学習を学べる?
学べます。
ただし、「仕組みを理解すること」と「機械学習のモデルを自分で構築し、専門的に分析すること」は区別した方がよいと思います。
基本的な仕組みの理解なら、数式なしでも十分に始められます。
一方、本格的なモデルの構築や分析に進む場合は、統計学、線形代数、微分などの数学やプログラミングが必要になる場面が増えます。
最初からすべてを理解しようとする必要はありません。
まずは今回のように、何を目的として、どのような仕組みで予測・評価しているのかを理解することが出発点になります。
12. まとめ|機械学習で見るべきなのは「当たったか」だけではありません
今回は、線形回帰と混同行列を通じて、機械学習の基本的な仕組みを解説しました。
線形回帰は、データの関係を直線で近似し、数値を予測する方法です。
最小二乗法は、実際の値と予測値のズレを二乗して足し合わせ、その合計が小さくなるように直線を決める代表的な方法です。
一方、混同行列は、分類結果を正しい判定と2種類の誤判定に分けて整理する表です。
そこから求める3つの指標は、次のように理解できます。
| 指標 | 覚えておきたい考え方 |
|---|---|
| 正解率 | 全体でどれだけ当たったか |
| 適合率 | 陽性と判断したものが、どれだけ本物だったか |
| 再現率 | 本当の陽性を、どれだけ見逃さずに見つけたか |
正解率が高くても、目的を達成できているかどうかは分かりません。
正解率99%という数字は、一見すると非常に優秀に思えます。
しかし、何を正しく予測できているのか、何を間違えているのか、そもそも何を予測するためのモデルなのかによって、その数字の意味は変わります。
だからこそ、機械学習を理解するときには、
「AIはどうやって予測しているのか?」
だけでなく、
「その予測は、何のために正しくある必要があるのか?」
という視点を持ちましょう。
機械学習をこれから学ぶ人は、難しい数式を覚える前に、まずこの関係を理解してみてください。
関連する学び
大学では、統計学と機械学習をより専門的に学ぶこともできます。
統計学と機械学習の違いや、大学ではどのような数学・プログラミングを学ぶのか気になる場合は、青山学院大学・統計データサイエンス学環の学びを分析した記事も参考にしてください。
参考資料
- 三好大悟『ビジネスの現場で使えるAI&データサイエンスの全知識』インプレス、Chapter 5「ロジスティック回帰モデルでユーザーターゲティングを行う」
- scikit-learn公式ドキュメント:Linear Models(新しいタブで開きます)
- scikit-learn公式ドキュメント:Confusion Matrix(新しいタブで開きます)
- IBM:混同行列とは(新しいタブで開きます)
関連語
筆者 めめ
同じ分野の別の単元を読む
- この解説の節
- なぜ生成AIは
文章を トークンに 区切るのか?/ トークンは どうやって コンピューターに 渡されるのか?/ 生成AIは 次の トークンを どのように 選ぶのか? (全9節)
筆者について
筆者の