教師あり学習とは

教師あり学習で使用されるデータにはラベルが付けられています。つまり、入力（特徴）と正しい出力（ラベル）の両方の例が含まれています。アルゴリズムは、これらのトレーニング ペアの大規模なデータセットを分析して、新しいデータで予測を行うように求められたときに、望ましい出力値がどうなるかを推論します。

たとえば、樹木の画像を識別するようにモデルをトレーニングするとします。さまざまな種類の木とそれぞれの木の種類名の例が多数含まれているラベル付きデータセットを提供します。ラベル付きの出力に基づいて、各木に属する特性のセットをアルゴリズムに定義させます。その後、木の画像を見せて、その種類を推測させることで、モデルをテストできます。モデルが間違った回答をした場合は、さらに例を追加してトレーニングを続け、パラメータを調整することで、精度を向上させ、エラーを最小限に抑えることができます。

モデルのトレーニングとテストが完了したら、学習した知識に基づいて未知のデータに対する予測を行うことができます。

ML の教師あり学習は、一般的に分類と回帰の 2 つのカテゴリに分けられます。

分類アルゴリズムは、入力データに基づいてカテゴリラベルまたは出力変数を予測し、データをグループ化するために使用されます。分類は、出力変数がカテゴリカル（2 つ以上のクラスがある）の場合に使用されます。

使用される分類アルゴリズムの最も一般的な例の一つは、メールの受信トレイにある迷惑メールフィルタです。ここでは、教師あり学習モデルは、迷惑メールと正規のメールの両方のラベル付きサンプルを含むデータセットを使用して、メールが迷惑メールかどうかを予測するようにトレーニングされます。アルゴリズムは、送信者、件名、本文など、各メールに関する情報を抽出します。次に、これらの特徴と対応する出力ラベルを使用してパターンを学習し、メールが正規のものか迷惑メールかを示すスコアを割り当てます。

回帰アルゴリズムは、実数または連続値を予測するために使用され、2 つ以上の変数間の関係を検出します。

回帰タスクの一般的な例としては、職務経験に基づいて給与を予測することが挙げられます。たとえば、教師あり学習アルゴリズムには、職務経験（期間、業界や分野、勤務地など）と、それに対応する実際の給与額に関連する入力が与えられます。モデルのトレーニングが完了すると、職務経験に基づいて平均給与を予測するために使用できます。

教師あり学習モデルは、いくつかのビジネス ユースケースに使用でき、幅広い問題に対処できます。教師あり学習の一般的な例には、次のものがあります。

• リスク評価: 教師あり機械学習モデルは、銀行やその他の金融サービス企業が顧客の債務不履行の可能性を判断するのに役立ち、ポートフォリオのリスクを最小限に抑えることができます。
• 画像分類: 教師あり ML アルゴリズムは、多くの場合、画像や動画内のオブジェクトを分類するようにトレーニングされています。たとえば、アルゴリズムを使用して画像内の人物を認識し、ソーシャル メディア プラットフォームで自動的にタグ付けできます。
• 不正行為の検出: 教師あり学習は、多くの不正行為検出システムの基盤となっており、企業が不正行為を認識できるようにします。これらのモデルは、不正行為と非不正行為の両方を含むデータセットでトレーニングされるため、不審なアクティビティにリアルタイムでフラグを立てるために使用できます。
• レコメンデーション システム: オンライン プラットフォームやストリーミング サービスでは、顧客の過去の行動やショッピング履歴に基づいておすすめを生成するために教師あり学習アルゴリズムが使用されます。モデルは、ユーザーの行動に関する重要な情報を抽出し、類似する商品やコンテンツを提案します。

教師あり学習と教師なし学習の違いを理解するうえで、主な違いはモデルのトレーニングに使用される入力データの種類です。教師あり学習では、ラベル付きのトレーニング データセットを使用して、事前に定義された特定の目標をモデルに学習させます。  

これに対して、教師なし学習ではラベルなしデータを使用し、明示的な指示を与えずに自律的に動作させて、データの構造を学習させようとします。