5.1.2 機械学習とは何か
この節の位置づけ
この節は、あなたが機械学習に正式に入る最初の一歩です。大事なのは定義を暗記することではなく、機械学習と従来のプログラミングの違いを理解し、「問題の種類 → データの形 → 学習方法」を見分ける考え方を身につけることです。これが、この後の教師あり学習、教師なし学習、モデル評価の土台になります。
最初の3つの段階で、Python、データ分析、数学の基礎を学びました。ここからついに、コンピュータに**自分で"学ばせる"**ことが始まります。AI の旅の中でも、とてもワクワクする段階のひとつです。
学習目標
- 機械学習とは何か、そして従来のプログラミングとの違いを理解する
- 機械学習の3つの大分類（教師あり学習、教師なし学習、強化学習）を身につける
- 機械学習の全体のワークフローを理解する
- 正しい ML の考え方を身につける
まずは地図を1枚つくろう
このページでいちばん大切なのは、定義を丸暗記することではなく、まず判断のための枠組みを作ることです。
この図が理解できると、第5章の多くの節が一気に分かりやすくなります。
この漫画は、最初の判断チェックリストとして使えます。ルールを明確に書けるなら通常のプログラムで十分かもしれません。規則が多くの事例の中に隠れているなら、機械学習が役立ちます。そのうえで、ラベルがあるか、出力がカテゴリか数値か、評価指標で本当に有用性を示せるかを確認します。
機械学習とは何か？
一言でいうと
機械学習 = 人間がルールを書き込むのではなく、コンピュータがデータから規則を自動で見つけること。
従来のプログラミング vs 機械学習
| 従来のプログラミング | 機械学習 | |
|---|---|---|
| 入力 | ルール + データ | データ + 期待される出力 |
| 出力 | 結果 | ルール（モデル） |
| 向いている場面 | ルールが明確な場合（例：税額計算） | ルールを表しにくい場合（例：猫の識別） |
| 書き方 | 人が if-else のロジックを書く | アルゴリズムがデータから自動で学習する |
なぜ機械学習が必要なのか？
人間がルールをうまく説明できないタスクがあります。
# 従来のプログラミング：メールが迷惑メールか判定する
def is_spam_traditional(email):
if "無料" in email:
return True
if "当選" in email:
return True
if "クリックして受け取る" in email:
return True
# ... まだまだルールはある？ 永遠に書き切れない！
return False
# 機械学習：10万件のラベル付きメールをモデルに学習させる
# model.fit(emails, labels)
# model.predict(new_email) → 自動で判定
機械学習が向いている場面：
- ルールが複雑、または不明な場合（画像認識、音声認識）
- ルールが変化する場合（推薦システム、不正検知）
- データ量が多く、人手で分析しきれない場合
- 個別最適化された結果が必要な場合
機械学習を学び始めたら、まず何をつかむべきか？
最初に押さえるべきなのは「モデルには何種類あるか」ではなく、この一文です：
機械学習は、手書きのルールをデータで置き換える技術です。
この考え方をつかむと、次のようなことが判断しやすくなります。
- いつ従来のプログラミングで十分か
- いつモデルに学習させるべきか
- なぜデータの質がモデルの限界を直接決めるのか
初心者が早めにほどいておきたい用語
| 用語 | 何を意味するか | この章でなぜ重要か |
|---|---|---|
ML | Machine Learning の略 | 図、ファイル名、プロジェクトメモで何度も出てきます |
model | 学習されたルールや関数 | 学習後に保存され、再利用され、予測に使われるものです |
algorithm | 学習方法 | 決定木、ロジスティック回帰、K-Means は学習前にはアルゴリズムです |
training | データから学ぶ処理 | コードでは多くの場合 fit を呼んだときに起こります |
inference | 学習済みモデルを新しいデータに使うこと | sklearn では predict や predict_proba として現れます |
baseline | 最初に超えるべき一番単純な結果 | 後の改善が本物か、偶然かを判断する基準になります |
metric | 成功を測るものさし | Accuracy、F1、MAE、RMSE はそれぞれ違う評価の問いに答えます |
初心者にとって特に大切なのは、algorithm と model の違いです。アルゴリズムは学習のレシピで、モデルはそのレシピがデータを見たあとに得られる学習済みの結果です。
機械学習の3つの大分類
教師あり学習——"正解"がある
核心：入力と出力が対になった大量のデータを使って、対応関係を学習します。
| 種類 | 出力 | 例 |
|---|---|---|
| 分類 | 離散的なカテゴリ | メール→迷惑/正常、画像→猫/犬 |
| 回帰 | 連続値 | 面積→住宅価格、特徴→気温 |
# 教師あり学習のデータ形式
# X（特徴/入力） y（ラベル/出力）
# [面積, 部屋数, 階数] → 住宅価格
# [120, 3, 15] → 350万円
# [80, 2, 8] → 220万円
# [200, 4, 20] → 580万円
重要：学習データにはラベル（正解）が必要です。モデルの目的は、X から y を予測できるようになることです。
ある問題が教師あり学習か、すぐ見分けるには？
自分にこう聞いてみましょう。
- 「入力 → 正しい出力」の組みになったデータを持っているか？
もしあるなら、たいてい教師あり学習です。
次にこう考えます。
- 出力はカテゴリか、それとも連続値か？
すると自然に次の2つに分かれます。
- 分類
- 回帰
教師なし学習——"正解"がない
核心：入力データだけがあり、ラベルはありません。モデルがデータの中の構造やパターンを自分で見つけます。
| 種類 | 何をするか | 例 |
|---|---|---|
| クラスタリング | 似ているデータをまとめる | 顧客のグループ分け、ニュースの分類 |
| 次元削減 | 特徴量の数を減らす | PCA（第4章で学習済み） |
| 異常検知 | 異常なデータを見つける | クレジットカード不正検知 |
# 教師なし学習のデータ：ラベルなし
# X（特徴）
# [支出額, 購入頻度, 最終購入日]
# [500, 10, 3日前]
# [50, 2, 30日前]
# [1000, 20, 1日前]
# → モデルが自動で「高価値顧客」「低頻度顧客」などのグループに分ける
教師なし学習で誤解しやすい点
初心者は、教師なし学習を「機械が勝手に本当の答えを見つけるもの」と考えがちです。
でも、より正確にいうと次の通りです。
- モデルは、ひとつのあり得る構造を見つける手助けをする
- ただし、その構造にビジネス上の価値があるかどうかは、最後に人が解釈する必要がある
なので教師なし学習では、「結果を出すこと」と同じくらい「結果をどう説明するか」が大切です。
強化学習——"試行錯誤"で学ぶ
核心：エージェント（Agent）が環境の中で行動し、報酬や罰則をもとに方針を調整します。
| 要素 | 説明 |
|---|---|
| エージェント | 意思決定を行う AI |
| 環境 | エージェントがいる世界 |
| 状態 | いまの環境情報 |
| 行動 | エージェントが取れる選択 |
| 報酬 | 行動のあとに得られるフィードバック |
# 強化学習のイメージ：子犬のしつけ
# 状態：子犬が見ている環境
# 行動：座る / 立つ / 握手する
# 報酬：うまくできた → おやつ（+1）、失敗した → なし（0）
# 何度も試行錯誤するうちに、子犬は正しい行動を学ぶ
この段階では主に教師あり学習と教師なし学習を学びます。強化学習は、後のエージェントシステムの内容で扱います。
3つの学習方法の比較
| 教師あり学習 | 教師なし学習 | 強化学習 | |
|---|---|---|---|
| データにラベルがある？ | ある | ない | 報酬信号がある |
| 目的 | ラベルを予測する | 構造を見つける | 報酬を最大化する |
| 代表的なアルゴリズム | 線形回帰、決定木 | K-Means、PCA | Q-Learning、PPO |
| AI の応用 | 画像分類、翻訳 | 顧客のグループ分け、推薦 | ゲーム AI、ロボット |
機械学習のワークフロー
全体の流れ
まずは流れを一文で読む
この流れは、初心者向けにこう言い換えられます。
まず問題を決め、データを準備し、動くものを作り、結果を見て、少しずつ改善する。
これが、実は第5章全体の土台になる考え方です。
学習データ vs テストデータ
ML でとても重要な考え方のひとつは、学習データでモデルを評価してはいけないということです。
import numpy as np
# データセットのシミュレーション
rng = np.random.default_rng(seed=42)
n = 100
X = rng.normal(size=(n, 3))
y = rng.integers(0, 2, n)
# 通常は 80% を学習、20% をテストに使う
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
print(f"学習データ: {X_train.shape[0]} 件")
print(f"テストデータ: {X_test.shape[0]} 件")
期待される出力：
学習データ: 80 件
テストデータ: 20 件
同じデータで学習と評価をすると、モデルはデータを"覚える"ことで満点に近づけます。でも、新しいデータではうまくいかないかもしれません。これを過学習（overfit）といいます。試験前に答えを丸暗記して、別の問題が出ると解けないのと同じです。
この図を読むときは、まず3つの境界線に注目してください。学習データは学習に使い、検証データは方針選びに使い、テストデータは最後の評価だけに使います。もし、途中の処理でテストデータの情報を先に見てしまうと、たとえば全データで先に標準化したり、全データで先に特徴量を選んだりして、モデルの点数が「見かけ上高く」なってしまうことがあります。
初心者がやりがちな落とし穴：「学習できた」を「覚えた」と勘違いする
機械学習でとても大事な分かれ道はここです。
- 学習データでうまくいくからといって、本当に規則を学べたとは限らない
- 単に学習データを覚えているだけのこともある
だからこの節から、次の習慣を持つようにしましょう。
- 高いスコアを見たら、まず「それは学習データのスコア？ テストデータのスコア？」と確認する
最小の完全な例
コードを読む前に、まず全体の流れを見ておきましょう。
この図は、最小限でも役に立つ ML プロジェクトの形です。問題を決め、X と y を用意し、モデルを学習し、指標で評価し、次に何を改善するかを決めます。下のコードはあえて小さくしています。各行を図のステップに対応づけながら読めるようにするためです。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
# 1. データを読み込む
iris = load_iris()
X, y = iris.data, iris.target
print(f"データセット: {X.shape[0]} 件のサンプル, {X.shape[1]} 個の特徴量, {len(set(y))} 個のカテゴリ")
# 2. 学習データとテストデータに分ける
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 3. モデルを選んで学習する
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train) # 学習！
# 4. 予測して評価する
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"テストデータの正解率: {accuracy:.1%}")
期待される出力：
データセット: 150 件のサンプル, 4 個の特徴量, 3 個のカテゴリ
テストデータの正解率: 100.0%
たった数行で、完全な ML プロジェクトが1つ完成します！ これからの章で、各ステップを少しずつ深掘りしていきます。
もし ModuleNotFoundError: No module named 'sklearn' と表示されたら、先にこの章の依存ライブラリをインストールしてください。
python -m pip install --upgrade scikit-learn
ここで scikit-learn はインストールするパッケージ名で、sklearn は Python コードで import するモジュール名です。
コードは次の対応で読むと分かりやすくなります。
| コードのキーワード | 意味 | なぜ重要か |
|---|---|---|
load_iris() | 組み込みの練習用データセットを読み込む | ファイルをダウンロードせず、安全に最初の練習ができます |
X | 特徴量行列、つまり入力の列 | モデルはこの値から規則を学びます |
y | 目的変数、つまり正解ラベル | 教師あり学習では、学習のためにラベルが必要です |
train_test_split | データを学習用と確認用に分ける | すでに見たデータでモデルを評価することを防ぎます |
fit | モデルを学習する | ここでアルゴリズムが学習済みモデルになります |
predict | 学習済みモデルを新しい入力に使う | 実際のアプリで使う推論のステップです |
accuracy_score | 正しく予測できた割合を計算する | モデルの振る舞いを測れる数字に変えます |
random_state | ランダムな分割やモデルの乱数を固定する | 何度実行しても同じ結果になり、学習しやすくなります |
重要用語の早見表
| 用語 | 英語 | 意味 |
|---|---|---|
| サンプル | Sample | 1件のデータ |
| 特徴量 | Feature | サンプルを表す属性（入力の各列） |
| ラベル | Label / Target | サンプルの"正解"（予測したい値） |
| 学習データ | Training Set | モデルを学習させるためのデータ |
| テストデータ | Test Set | モデルを評価するためのデータ |
| 過学習 | Overfitting | モデルが学習データを"暗記"してしまい、汎化能力が低いこと |
| 未学習 | Underfitting | モデルが単純すぎて、学習データすらうまく学べないこと |
| 汎化 | Generalization | 新しいデータでもうまく動く能力 |
| ハイパーパラメータ | Hyperparameter | 人が設定する必要があるパラメータ（学習率、木の深さなど） |
| データ漏えい | Data leakage | テストデータや未来情報が誤って学習に入り、スコアが実力以上に見えること |
| 検証データ | Validation Set | 最終テストの前に、モデルやハイパーパラメータを選ぶためのデータ |
過学習 vs 未学習
import matplotlib.pyplot as plt
rng = np.random.default_rng(seed=42)
x = np.linspace(0, 1, 20)
y = np.sin(2 * np.pi * x) + rng.normal(size=20) * 0.3
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
x_smooth = np.linspace(0, 1, 200)
# 未学習：1次多項式（直線）
coeffs = np.polyfit(x, y, 1)
axes[0].scatter(x, y, color='steelblue', s=40)
axes[0].plot(x_smooth, np.polyval(coeffs, x_smooth), 'r-', linewidth=2)
axes[0].set_title('未学習（直線）\n単純すぎて規則を捉えられない')
# ちょうどよい：3次多項式
coeffs = np.polyfit(x, y, 3)
axes[1].scatter(x, y, color='steelblue', s=40)
axes[1].plot(x_smooth, np.polyval(coeffs, x_smooth), 'r-', linewidth=2)
axes[1].set_title('ちょうどよい（3次多項式）\n規則をうまく当てはめている')
# 過学習：18次多項式
coeffs = np.polyfit(x, y, 18)
axes[2].scatter(x, y, color='steelblue', s=40)
y_overfit = np.polyval(coeffs, x_smooth)
y_overfit = np.clip(y_overfit, -3, 3)
axes[2].plot(x_smooth, y_overfit, 'r-', linewidth=2)
axes[2].set_title('過学習（18次多項式）\nノイズまで当てはめている')
axes[2].set_ylim(-3, 3)
for ax in axes:
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
まとめ
| 要点 | 説明 |
|---|---|
| 機械学習 | データから規則を学ぶこと |
| 教師あり学習 | ラベルあり、予測を学ぶ（分類/回帰） |
| 教師なし学習 | ラベルなし、構造を見つける（クラスタリング/次元削減） |
| 強化学習 | 試行錯誤で方針を学ぶ（報酬ベース） |
| 基本の流れ | データ → 前処理 → 学習 → 評価 → デプロイ |
| 学習/テスト分割 | 必ず分ける。過学習を防ぐため |
この節で一番持ち帰ってほしいこと
もし一文だけ覚えるなら、これです。
機械学習の本当の出発点は、モデルを覚えることではなく、問題・データ・評価方法をきちんと対応づけることです。
この節で得てほしい最重要ポイントは次の通りです。
- 教師あり学習と教師なし学習を区別できる
- 分類と回帰を区別できる
- なぜ学習データとテストデータを分ける必要があるか分かる
- 第5章以降のアルゴリズムは、すべてこの地図の中にあると分かる
- 次の節：Scikit-learn 入門——ML 実践の標準ツール
- 第2章：具体的なアルゴリズムを学ぶ（線形回帰、ロジスティック回帰、決定木など）
- 第4章：モデル評価を深く学ぶ——モデルが良いかをどう科学的に判断するか
実践演習
演習1：分類 vs 回帰
次のタスクが分類か回帰かを判断してください。
- 明日の気温を予測する
- 写真に人の顔があるかどうかを判定する
- ある株の明日の終値を予測する
- ニュースをスポーツ/テクノロジー/エンタメ/金融に分ける
- あるユーザーが離脱するかを予測する
演習2：最初の ML モデル
scikit-learn の load_wine() データセットを使って決定木分類器を学習し、テストデータの正解率を出力してください。
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
wine = load_wine()
X_train, X_test, y_train, y_test = train_test_split(
wine.data, wine.target, test_size=0.2, random_state=42, stratify=wine.target
)
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)
accuracy = model.score(X_test, y_test)
print(f"Test accuracy: {accuracy:.3f}")
現在の sklearn では、期待される出力はおおよそ次のようになります。
Test accuracy: 0.944
sklearn のバージョンや分割設定が変わると、結果が少し変わることがあります。ここで大切なのは、データを読み込み、分割し、学習データだけで学習し、テストデータで評価する流れです。
演習3：過学習を観察する
4.3節の過学習の例を修正し、異なる次数の多項式（1, 3, 5, 10, 18）でデータを当てはめて、5枚のサブプロットを描き、複雑さが当てはまり方に与える影響を観察してください。