目次(14項目)
「教師あり学習」と「教師なし学習」は、機械学習を学び始めると必ず登場する言葉です。
名前から何となく違いを想像できても、実際に説明しようとすると難しく感じるかもしれません。
- 教師あり学習は、誰が何を教えているのでしょうか?
- 教師なし学習は、正解を知らないのに何を学習しているのでしょうか?
- 分類とクラスタリングは、どちらもデータを分けるのに何が違うのでしょうか?
- 実際にデータを分析するときは、どちらを使えばよいのでしょうか?
こうした疑問を解決するためには、専門用語を暗記するよりも、そもそも機械学習で何を明らかにしたいのかを考えることが重要です。
この記事では、数式やプログラミングの知識を前提とせず、具体的な事例から教師あり学習と教師なし学習の仕組みを解説します。
1. 教師あり学習と教師なし学習の違いとは?
教師あり学習と教師なし学習の基本的な違いは、学習するときに、入力データと対応する正解(目的変数)が与えられているかどうかです。
教師あり学習は、入力と正解の関係を学び、新しいデータに対する答えを予測する方法です。
一方、教師なし学習は、あらかじめ正解を与えず、データの中にある特徴や構造、共通点などを見つける方法です。
例えば、お店の顧客データを分析するとしましょう。
「この人は来月商品を購入するだろうか?」と予測したいなら、過去の顧客データと実際の購入結果を使う教師あり学習が候補になります。
一方、「このお店には、どのような買い物傾向の顧客がいるのだろうか?」と調べたいなら、教師なし学習が候補になります。
つまり、同じ顧客データでも、何を知りたいかによって学習方法が変わるのです。
図1
教師あり学習と教師なし学習の仕組み
正解を与えるかどうかで、学習の流れが変わります。
教師あり学習
- 入力データ + 正解
- 関係を学習
- 新しいデータを予測
正解の有無
教師なし学習
- 正解のない入力データ
- 特徴・構造を学習
- まとまりや特徴を発見
入力と正解の関係を学んで答えを予測する方法と、正解を与えずにデータの特徴や構造を見つける方法。
教師あり学習と教師なし学習の比較表
| 比較項目 | 教師あり学習 | 教師なし学習 |
|---|---|---|
| 正解データ | 学習時に必要 | 原則として与えない |
| 主な目的 | 予測・判定 | 特徴・構造・共通点の発見 |
| 代表的な方法 | 回帰・分類 | クラスタリング・次元削減 |
| 具体例 | 来月の売上を予測する | 顧客の購買傾向をグループ化する |
| 結果の評価 | 実際の正解と比較できる | 発見した構造の妥当性や有用性を評価する |
| 注意点 | 過去の正解が将来にも通用するとは限らない | 見つけたグループに意味があるとは限らない |
ただし、この表はあくまで基本的な整理です。
例えば、教師なし学習にも異常検知や密度推定などの方法があり、教師あり学習も単純な二択の判定だけを行うわけではありません。
まずは基本的な考え方を押さえ、具体例で使い分けられるようになりましょう。
2. そもそも「教師」とは何を意味しているのか?
ここで疑問になるのが、「教師」という言葉です。
教師あり学習と聞くと、人間の先生がコンピュータに一つひとつ教えている姿を想像するかもしれません。
しかし、機械学習における教師は、必ずしも人間の先生を意味しているわけではありません。
ここでいう教師は、主に入力データに対して、どのような答えを出すべきかを示す情報のことです。
例えば、迷惑メールを判定する仕組みを考えてみましょう。
過去に受信したメールの文章と、そのメールが実際に迷惑メールだったかどうかの情報を用意します。
すると、次のような対応関係を学習できます。
- 入力:メールの文章や送信元などの情報
- 正解:迷惑メールか、通常のメールか
- 学習すること:どのような情報が判定と結びついているのか
このとき、実際に迷惑メールだったかどうかという情報が「教師」の役割を果たします。
学習したモデルは、新しく届いたメールを見て、どちらに該当するかを予測します。
人間がすべての判断基準を教えるわけではない
ここは特に間違えやすい部分です。
教師あり学習は、人間が細かいルールをすべて作る方法ではありません。
例えば、「この言葉が入っていれば迷惑メールと判定する」という条件を人間が最初から指定するのは、ルールベースの仕組みです。
教師あり学習では、入力データと正解の組み合わせを使い、モデルがそれらの関係を学習します。
もちろん、人間が目的や使用するデータ、モデルの種類を決める必要はあります。しかし、個々の判定ルールをすべて人間が直接記述するわけではありません。
教師あり学習で与えるのは、基本的には判断のための完成されたルールではなく、学習の手がかりとなる正解です。
3. 教師あり学習は「回帰」と「分類」に分けられる
教師あり学習の代表的な仕事は、回帰と分類です。
この二つは、予測したい答えの種類によって区別できます。
回帰|数値を予測する
回帰とは、売上や価格、気温のような数値を予測する問題です。
例えば、過去の売上データを使い、翌日の売上金額を予測する場合が当てはまります。
学習には、過去の曜日、天候、来店状況などの情報と、実際の売上金額を利用できます。
ここで重要なのは、最終的に知りたいものが「いくらになるか」という数値であることです。
回帰では、予測値が実際の数値からどれくらい離れていたかを評価することができます。
分類|カテゴリーを予測する
分類とは、あらかじめ定めたカテゴリーのどれに該当するかを予測する問題です。
例えば、次のようなケースです。
- メールが迷惑メールか、通常のメールか
- 商品が不良品か、正常品か
- 顧客が来月商品を購入するか、購入しないか
これらは、具体的な数値ではなく、カテゴリーを答えとして求めています。
したがって、教師あり学習でいう分類に当てはまります。
なお、分類という日本語から「データをグループに分けること」全般を想像するかもしれませんが、教師あり学習における分類は、学習時に与えられたカテゴリーの情報をもとに、新しいデータの所属先を予測することです。
この点が、次に説明するクラスタリングとの大きな違いになります。
回帰や分類の予測結果をどう評価するのか、線形回帰・最小二乗法・混同行列の仕組みについては、文系でも数式なしでわかる機械学習の超基本で詳しく解説しています。
4. 教師なし学習は正解がないのに何を学ぶのか?
ここまで教師あり学習について考えてきました。
では、教師なし学習ではどうでしょうか。
「正解が与えられていない」という説明を聞くと、何を目標にしているのか分からなくなるかもしれません。
しかし、そもそも私たちは、何かを理解するときに必ず正解を必要とするわけではありません。
例えば、初めて訪れた書店で、本の並び方を観察する場面を想像してみてください。
事前に分類表を渡されなくても、似た内容の本が近くに置かれていたり、特定の分野がまとまっていたりすることに気づくでしょう。
もちろん、機械学習のアルゴリズムが人間と同じように本の内容を理解しているわけではありません。
しかし、データの特徴から共通点や違いを見つけるという点では、考え方が似ています。
教師なし学習は、最初から答えを予測するのではなく、データをどのように捉えれば、その特徴を理解しやすくなるのかを探る学習方法です。
クラスタリング|似ているデータをグループ化する
教師なし学習の代表的な方法が、クラスタリングです。
クラスタリングとは、データ同士の類似性などをもとにグループを作ることです。
例えば、お店の顧客について、来店頻度、購入金額、購入する商品の種類などを分析するとしましょう。
すると、似た購買傾向を持つ顧客をまとめられる可能性があります。
重要なのは、事前に「この顧客はAグループ」「この顧客はBグループ」と教えていないことです。
モデルは、与えられた特徴をもとにグループを形成します。
ただし、何を似ていると判断するかは、使用する特徴量、距離の測り方、アルゴリズムなどによって変わります。
したがって、クラスタリングで作られたグループが、人間にとって意味のある分類と必ず一致するわけではありません。
次元削減|多くの特徴を整理して捉えやすくする
教師なし学習には、次元削減という方法もあります。
例えば、顧客について調べた項目が多すぎると、どのような傾向があるのかを把握することが難しくなります。
そこで、多くの特徴を、情報の一部を保ちながら少数の新しい指標へまとめる方法があります。
代表例は主成分分析(PCA)です。
主成分分析は、データのばらつきが大きい方向などを利用して、情報を整理する方法です。
これは必ずしも「顧客をグループに分けること」を目的としていません。
このように教師なし学習には、クラスタリング以外にも、データの構造を調べたり、表現を簡潔にしたりする方法があります。
5. なぜ「分類」と「クラスタリング」は違うのか?
図2
分類とクラスタリングの違い
模式図であり、実測データではありません。
分類|正解をもとに判定
- 学習したカテゴリーへ振り分ける
- 問い: これは何に該当するか?
- 確認すること: 予測は実際の正解と一致したか?
基準が違う
クラスタリング|まとまりを探索
- 特徴の似たデータから群を見つける
- 問い: どのようなまとまりがあるか?
- 確認すること: グループ分けに意味や有用性はあるか?
違いは「分ける」という行為ではなく、何を学習させているかにある。
ここまで読んで、次のように思ったかもしれません。
「教師あり学習の分類も、教師なし学習のクラスタリングも、結局はデータを分けているのでは?」
その通りです。結果だけを見れば、どちらもデータをグループに分けているように見えます。
しかし、何を基準にグループを作るのかが違います。
分類は「決まっているカテゴリーを予測する」
例えば、商品の品質を「正常品」と「不良品」に分けたいとします。
過去の商品について、検査で確定した正常品・不良品の情報が存在するとしましょう。
この情報を正解として学習すれば、新しく製造された商品について、どちらに該当するかを予測できます。
つまり、分類では、何を答えとして求めるのかが事前に決まっています。
クラスタリングは「データのまとまりを発見する」
一方、製造された商品の測定データについて、どのような特徴のまとまりが存在するか調べる場合を考えてみましょう。
あらかじめ正常品・不良品という正解を教えるのではなく、測定値が似た商品同士をまとめます。
その結果、複数のグループが見つかるかもしれません。
しかし、そのグループが正常品と不良品の区別に対応しているとは限りません。
製造条件や測定値の別の違いを反映している可能性もあります。
ここを区別することが重要です。
| 分類 | クラスタリング | |
|---|---|---|
| 問い | これは何に該当するか? | どのようなまとまりがあるか? |
| カテゴリー | 学習時に正解として与える | データの特徴からグループを形成する |
| 結果の意味 | 既定のカテゴリーの予測 | 発見されたグループの所属 |
| 確認すること | 予測は実際の正解と一致したか? | グループ分けに意味や有用性はあるか? |
したがって、「データをグループに分ける」という結果だけで教師あり学習か教師なし学習かを判断してはいけません。
分類とクラスタリングの違いは、分けるという行為ではなく、何を学習させているかにあります。
6. 同じ顧客データでも、目的によって使い方が変わる
ここからは、実際のビジネスに近い場面で考えてみましょう。
あるオンラインショップが、顧客の行動を分析したいとします。
利用できるのは、顧客の閲覧履歴、購入金額、購入回数、購入商品のカテゴリーなどです。
ケースA:来月購入する顧客を予測したい
この場合、明らかにしたいのは「購入するか、しないか」です。
過去の顧客について、ある時点までの行動データと、その後の購入結果が記録されていれば、それらを対応づけて学習できます。
そして、新しい顧客について購入する可能性を予測します。
これは教師あり学習の分類に当てはまります。
ここで注意したいのは、未来の購入結果を学習時の正解として使う場合でも、予測に使う入力には、その予測時点で利用できる情報しか含めてはいけないことです。
未来の情報まで入力してしまうと、実際の運用では利用できない、不自然に高い予測性能になってしまいます。
ケースB:顧客にはどのようなタイプがあるのか知りたい
今度は、特定の顧客が購入するかどうかを当てたいわけではありません。
「どのような購買傾向の顧客が存在するのか」を知りたいとします。
そこで、購入頻度、購入金額、商品カテゴリーなどの特徴を使い、似た顧客をグループ化します。
これは教師なし学習のクラスタリングが候補になります。
ただし、ここで得られたグループには、最初から人間が理解しやすい意味が付いているとは限りません。
分析者が各グループの特徴を確認し、必要に応じてその意味を解釈します。
ケースC:来月の購入金額を予測したい
今度は「購入するかどうか」ではなく、「いくら購入するか」を予測したいとします。
この場合、過去の顧客行動と実際の購入金額を学習し、将来の金額を予測することが考えられます。
これは教師あり学習の回帰に当てはまります。
ここまでを整理しましょう。
| 知りたいこと | 主な学習方法 | 代表的な課題 |
|---|---|---|
| 来月購入するか? | 教師あり学習 | 分類 |
| 来月いくら購入するか? | 教師あり学習 | 回帰 |
| どのような顧客のまとまりがあるか? | 教師なし学習 | クラスタリング |
| 多数の顧客特徴を少数の指標で整理できるか? | 教師なし学習 | 次元削減 |
使っている元データが似ていても、目的が異なれば、選ぶべき分析方法も異なります。
ここから分かるのは、機械学習の出発点はアルゴリズムの名前ではないということです。
「どの技術を使うか」の前に、「その技術によって何を知りたいのか」を明確にすることが重要です。
7. 教師あり学習と教師なし学習の使い分けはどう判断する?
実際に使い分けるときは、次の順番で考えると整理しやすくなります。
STEP 1:何を明らかにしたいのか決める
まず、目的を明確にします。
「売上を予測したい」のか、「購買傾向を調べたい」のかでは、問題の性質が異なります。
ここが曖昧なままでは、適切な方法を選べません。
STEP 2:正解として使えるデータが存在するか確認する
特定の答えを予測したい場合、その答えを示す過去のデータが必要になります。
例えば、売上を予測するなら、過去の実際の売上金額などが教師データになります。
一方、顧客の特徴を探索したい場合は、正解のカテゴリーを用意しない分析を考えます。
ただし、元のデータセットに売上や購入結果が含まれているというだけで、自動的に教師あり学習になるわけではありません。
その情報を「予測すべき正解」として学習に使うかどうかが重要です。
STEP 3:どのような出力が必要か決める
答えとして求めるものが決まっているなら、次のように考えられます。
数値を予測したい
→ 教師あり学習の回帰
決められたカテゴリーを予測したい
→ 教師あり学習の分類
データのグループ構造を発見したい
→ 教師なし学習のクラスタリング
多くの特徴を整理したい
→ 教師なし学習の次元削減
もちろん、実際にはもっと多様な手法があります。しかし、初学者が問題の種類を判断するためには、この整理が基本になります。
図3
教師あり・教師なしの使い分けの判断
分析の目的から、回帰・分類・クラスタリング・次元削減のどれを考えるかを選ぶ流れです。
分析で何を明らかにしたいかを決める
-
予測したい答え(正解)はある?
- はい 次へ
- いいえ グループ構造を発見したいならクラスタリング、多くの特徴を整理したいなら次元削減(教師なし学習)
-
その答えを示す過去のデータ(教師データ)はある?
- はい 次へ
- いいえ 教師あり学習を十分に学習することは難しい。必要なデータを集められないか、まず考える
-
予測したい答えは数値?
- はい 数値を予測したい → 教師あり学習の回帰
- いいえ 決められたカテゴリーを予測したい → 教師あり学習の分類
STEP 4:結果をどのように評価するか考える
最後に、その分析が役立ったかどうかを確認します。
教師あり学習であれば、未知のデータについて予測し、実際の正解と比較することができます。
一方、教師なし学習では、作られたグループの分離度や安定性、分析目的に対する有用性などを確認する必要があります。
例えば、顧客をグループ化できたとしても、どのグループにも実務上の違いがなければ、分析した意味は小さくなってしまうかもしれません。
逆に、購買傾向の違いが明確になり、商品構成やマーケティング施策の検討に役立つなら、そのグループ分けには価値があると考えられます。
8. 教師あり学習と教師なし学習で間違えやすいこと
誤解① 教師なし学習は、AIが何でも自由に発見してくれる
これは違います。
教師なし学習でも、人間が使うデータや特徴量、分析方法などを選びます。
例えば、顧客を購入金額だけでグループ化した場合と、購入金額・購入頻度・商品カテゴリーを組み合わせた場合では、異なる結果になる可能性があります。
つまり、分析者が何をデータとして与えるかによって、発見される構造も変わるのです。
教師なし学習は、人間の判断を必要としない学習方法ではありません。
誤解② 教師あり学習の方が正解を知っているから優秀
これも違います。
教師あり学習は、特定の予測問題を解くのに適した方法です。
しかし、そもそも何を予測すればよいのか分からない段階では、教師なし学習によってデータを探索する方が適していることもあります。
また、教師あり学習でも、正解データに誤りや偏りがあれば、それを学習してしまう可能性があります。
正解があるからといって、将来の予測まで正しいとは限りません。
誤解③ 教師なし学習で作られたグループは、現実にも存在する
これは特に注意したい点です。
例えば、クラスタリングによって顧客がいくつかのグループに分かれたとします。
しかし、そのグループは、分析に使用した特徴やアルゴリズムをもとに作られたものです。
人間が見つけられなかった現実の顧客タイプを、必ず発見したという意味ではありません。
また、グループの数をあらかじめ指定するアルゴリズムもあります。
したがって、グループが作られたことと、そのグループに客観的な意味があることは区別する必要があります。
誤解④ データに正解が含まれていれば必ず教師あり学習になる
必ずしもそうではありません。
例えば、顧客データに購入金額が記録されていても、その購入金額を予測するための正解として使っていなければ、それだけで教師あり学習とは言えません。
教師あり学習かどうかは、単にデータの中に答えらしい項目があるかではなく、学習するとき、その項目を目的変数として与えているかによって判断します。
9. 練習問題|この分析は教師あり?教師なし?
ここまでの理解を確認しましょう。
問題1
過去の住宅の広さ、築年数、駅からの距離、実際の販売価格を使い、新しく売り出される住宅の価格を予測します。
これはどの方法でしょうか?
答え:教師あり学習(回帰)
予測したいのは販売価格という数値です。また、過去の実際の販売価格を正解として学習するため、教師あり学習の回帰に当てはまります。
問題2
大量の商品について、大きさ、重さ、材質などの特徴を調べ、似た商品同士をグループ化します。
これはどの方法でしょうか?
答え:教師なし学習(クラスタリング)
事前に商品カテゴリーの正解を与えていません。商品の特徴から似たものをまとめるため、教師なし学習のクラスタリングに当てはまります。
問題3
過去のメールについて、迷惑メールだったかどうかの情報を使い、新しく届いたメールを判定します。
これはどの方法でしょうか?
答え:教師あり学習(分類)
迷惑メールかどうかというカテゴリーを予測しています。過去の正解を使うため、教師あり学習の分類です。
問題4
顧客について、来店頻度や購入履歴の特徴から、どのような買い物傾向のグループが存在するかを調べます。
これはどの方法でしょうか?
答え:教師なし学習(クラスタリング)
特定の正解を予測するのではなく、顧客の特徴からグループを発見することが目的です。
問題5
ある企業が、過去の従業員データを使って将来の退職を予測するモデルを作ろうとしています。しかし、手元には現在の従業員情報しかなく、過去の退職結果と対応づけられたデータがありません。
教師あり学習と教師なし学習のどちらが適切でしょうか?
答え:現状のデータだけでは、教師あり学習による退職予測モデルを十分に学習することは難しいと考えられます。
退職を予測するには、過去の従業員情報と、その後の実際の退職結果を対応づけたデータが必要です。
教師なし学習によって従業員の特徴を調べることは考えられますが、そこで作られたグループをそのまま退職リスクと結びつけることはできません。
この問題で重要なのは、「教師データがないから教師なし学習を選ぶ」と短絡的に判断しないことです。
分析目的が退職予測なら、その目的を達成するために必要なデータを集められないか、まず考える必要があります。
10. よくある質問
Q. 教師あり学習と教師なし学習はどちらが難しいですか?
何を行うかによって難しさが異なります。
教師あり学習では、適切な正解データの作成や予測精度の改善が課題になります。
教師なし学習では、結果として見つかった構造をどう解釈し、どのように評価するかが難しくなる場合があります。
単純にどちらが上級者向けとは言えません。
Q. 教師なし学習でも予測はできますか?
できます。ただし、何を予測するかによります。
例えば、クラスタリングによって形成したグループに、新しいデータがどこに属するかを判定できる手法もあります。
しかし、それは必ずしも、実際の売上や購入結果などの正解を予測していることを意味しません。
「何を予測しているのか」を区別することが重要です。
Q. 教師あり学習と教師なし学習を組み合わせることはありますか?
あります。
例えば、教師なし学習でデータの特徴を整理し、その結果を教師あり学習の予測に活用することが考えられます。
また、一部だけ正解の付いたデータを利用する半教師あり学習や、データ自体から学習課題を作る自己教師あり学習などもあります。
実際の機械学習は、必ずしも二つの方法だけで完結するものではありません。
Q. ChatGPTのような生成AIは教師あり学習ですか?教師なし学習ですか?
単純にどちらか一方だけに分類することはできません。
大規模言語モデルでは、文章の一部を予測するなど、データ自体から学習の目標を作る自己教師あり学習が重要な役割を果たします。
さらに、教師ありの追加学習や、人間の評価を利用した学習など、複数の方法が組み合わされることがあります。
したがって、生成AIについては、基本的な教師あり学習・教師なし学習の違いを理解したうえで、自己教師あり学習なども学ぶとよいでしょう。
Q. 文系でも機械学習を理解できますか?
基本的な仕組みや使い分けは、数式やプログラミングの知識がなくても理解を始められます。
まず、何を予測したいのか、どのデータを使うのか、結果をどのように判断するのかを整理しましょう。
そのうえで、本格的にモデルを構築する段階になれば、統計学や数学、プログラミングを学んでいく必要があります。
最初からすべてを学ぼうとするよりも、知識同士のつながりを理解してから必要な内容を深めていくことが大切です。
11. まとめ|教師あり・教師なしの前に「何を知りたいか」を考える
教師あり学習と教師なし学習の違いを整理すると、次のようになります。
教師あり学習
正解付きのデータを使い、入力と出力の関係を学習して、新しいデータの答えを予測する方法です。代表的なものに回帰と分類があります。
教師なし学習
正解を与えず、データの特徴や構造、共通点を見つける方法です。代表的なものにクラスタリングや次元削減があります。
ただし、ここで覚えておきたいことがあります。
それは、正解データの有無だけで機械学習を考えないことです。
例えば、顧客データを分析するとき、「来月商品を購入するか知りたい」のか、「どのような購買傾向の顧客がいるのか知りたい」のかでは、選ぶべき方法が変わります。
同じデータでも、問いが変われば、適切な分析方法も変わるのです。
だからこそ、マナビグラフでは、アルゴリズムの名前を覚える前に、まず分析の目的を明確にすることを重視します。
機械学習で最初に考えるべきなのは、「AIに何をさせるか」ではなく、「自分たちは何を明らかにしたいのか」です。
この考え方が身につけば、初めて出会う分析手法についても、何のために使うものなのかを整理しやすくなります。
次に学ぶなら
教師あり学習の仕組みをもう少し詳しく理解したい場合は、線形回帰・最小二乗法・混同行列を解説した記事に進んでみてください。
実際の予測がどのように行われ、結果をどう評価するのかまで理解を深められます。
機械学習のほかの内容も探したい場合は、情報「機械学習」の単元ページから確認できます。
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。特にChapter 4の教師あり学習、Chapter 7の教師なし学習・クラスタリングに関する説明
- Google Cloud「教師あり学習と教師なし学習の比較:その違いとは?」(新しいタブで開きます)
- scikit-learn「User Guide」(新しいタブで開きます)
- scikit-learn「Cross-validation: evaluating estimator performance」(新しいタブで開きます)
主な出典・確認資料
関連語
筆者 めめ
続きへ進む
筆者について
筆者の