機械学習の四つの学び方

教師あり学習は、入力と正解の組を使って、両者の関係を学ぶ方法です。問い合わせ文と担当部署の組から部署を予測する処理は分類、物件の広さなどから価格という数値を予測する処理は回帰に当たります。

正解を付けたデータは教師データと呼ばれます。誤ったラベルや偏った事例が多ければ、予測もその影響を受けます。また、学習に使った事例をうまく説明できても、未知の事例で役立つとは限りません。

学習用とは別のデータで確かめる必要があります。

教師なし学習は、正解ラベルがないデータから、まとまりや特徴を見つける方法です。購入傾向が似た顧客を分けるクラスタリングや、多数の変数を少ない表現へまとめる次元削減が代表例です。

得られたグループに必ず業務上の意味があるとは限らず、人が解釈して確かめます。半教師あり学習では、少量のラベル付きデータと、多量のラベルなしデータを組み合わせます。正解を付ける作業の負担を抑えられる可能性がありますが、データの適合性は引き続き重要です。

強化学習では、エージェントが環境に対して行動し、その結果の報酬を手掛かりに、よりよい行動の選び方を学びます。ゲームの勝敗や、制御の目標達成度などを評価に使えます。各行動に人が正解ラベルを付ける教師あり学習とは異なり、行動の結果が後から現れる場合も扱います。

報酬の設計が不適切だと、数値だけを高めて本来の目的を外すおそれがあります。どの学習方法にも万能性はなく、目的、データ、評価方法に合わせて選ぶ姿勢が必要です。