0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

AWS AIプラクティショナー試験対策③:教師あり・教師なし学習とアルゴリズムの選び方

0
Posted at

AWS AIプラクティショナー試験対策③:教師あり・教師なし学習とアルゴリズムの選び方

この記事で分かること

  • 教師あり・教師なし・強化学習の見分け方
  • 分類と回帰、クラスタリングと分類、K-meansとKNNの区別
  • 問題文のキーワードから正解を導く早見表と判断フロー(★印の重点回)
  • SageMakerの代表アルゴリズム(Linear Learner・XGBoost・K-means)の対応関係

前回はAIのユースケースとタスク分類を整理しました。今回は分野1・タスク1.1「AIの基本概念と用語」の中でも、試験で最も問われやすい学習の種類とアルゴリズムの選び方を扱います。

まず全体像:3つの学習パラダイム

機械学習は「データに正解(ラベル)があるか」で大きく分かれます。

学習の種類 データ モデルの仕事 代表例
教師あり学習 ラベル付き 新しい入力の答えを予測する 分類、回帰
教師なし学習 ラベルなし データの中のパターンやグループを見つける クラスタリング、次元削減、異常検出
強化学習 報酬・罰 試行錯誤で最適な行動方針を学ぶ ゲーム、ロボット制御

覚え方のコツは、「答えを当てる」なら教師あり、「答えのないデータから構造を見つける」なら教師なしです。補足として、ラベル付きデータが少量しかなく、大量のラベルなしデータと組み合わせて学ぶ半教師あり学習もあります(試験ガイドの列挙にはありませんが、混同防止の補足として覚えておくと便利です)。

教師あり学習:分類と回帰

教師あり学習では、入力と正解のペア(例:「このメールは迷惑メール」)を大量に与えて学習させます。出力の形で2つに分かれます。

  • 分類:答えがカテゴリ。「迷惑メールか否か」「犬か猫か」のように、あらかじめ決まった種類のどれかを選ぶ
  • 回帰:答えが数値。「家がいくらで売れるか」「明日の売上はいくらか」のように、連続した数字を予測する

SageMakerの代表アルゴリズムは次の2つです。

  • Linear Learner(線形学習者):ラベル付きデータから線形の関数を学ぶ教師あり学習のアルゴリズムで、分類と回帰の両方に対応します。二値分類ではラベルは0か1、多クラス分類では0からクラス数−1の番号、回帰では実数を扱います。
  • XGBoost:勾配ブースティング決定木の実装で、教師あり学習のアルゴリズムです。複数の弱いモデルを組み合わせて目標変数を精度よく予測し、回帰、分類(二値・多クラス)、ランキングに使えます。

教師なし学習:クラスタリングが中心

教師なし学習では正解を与えず、データそのものの似ている・違うに注目します。

  • クラスタリング:似たデータをグループに分ける。顧客セグメンテーションが代表例
  • 次元削減:特徴量の数を減らしつつ、重要な情報を残す
  • 異常検出:いつものパターンから外れた「変な」データを見つける

中心になるのがK-meansです。K-meansは教師なし学習のアルゴリズムで、グループ内のメンバーができるだけ似ていて、他のグループとはできるだけ違うような離散的なグループ分けを見つけます。ユーザーが決めた属性で「似ている」を測り、データにラベルがなくても使えます。推論時には各データが最も近いクラスタとその距離を返します。

キーワード→正解の早見表(★重点)

問題文のキーワード 学習の種類 アルゴリズム
「ラベルがない」「グループ化」「類似性に基づく」「カテゴリが決まっていない」 教師なし学習 K-means(クラスタリング)
「予測」「ラベルがある」「過去の実績から当てる」 教師あり学習 Linear Learner、XGBoost
答えが「〇〇か否か」「どの種類か」 教師あり・分類 Linear Learner、XGBoost
答えが「いくら」「何度」「何個」など数値 教師あり・回帰 Linear Learner、XGBoost
「ラベル付きデータが少しだけ」「残りはラベルなし」 半教師あり学習 —
「報酬」「試行錯誤」「環境とやり取り」 強化学習 —

判断フロー

SageMakerのアルゴリズム対応表

アルゴリズム 学習の種類 対応するタスク
Linear Learner 教師あり 分類、回帰
XGBoost 教師あり 分類、回帰、ランキング
K-means 教師なし クラスタリング
KNN(k近傍法) 教師あり 分類、回帰

混同しやすい概念の区別

分類 vs 回帰

違いは出力の形だけです。「迷惑メールか否か」のように答えが種類なら分類、「価格はいくらか」のように答えが数字なら回帰です。どちらも教師あり学習で、Linear LearnerとXGBoostは両方に対応します。

クラスタリング vs 分類

どちらも「分ける」ですが、分類は分け先のカテゴリが事前に決まっているのに対し、クラスタリングは分け先そのものをデータから見つけます。顧客を「解約しそう/しなさそう」に分けるのは分類(過去の解約ラベルがある)。顧客を「似た購買傾向のグループ」に分けるのはクラスタリング(ラベルがない)です。

K-means vs KNN

名前が似ていますが別物です。

観点 K-means KNN
学習の種類 教師なし 教師あり
ラベル 不要 必要(近いk個のラベル付きデータで判定)
kの意味 作るクラスタの数 参照する近くのデータの数
仕事 グループを見つける 新しいデータを既存の答えに振り分ける

確認ポイント

  1. ラベルのない購買履歴から、似た傾向の顧客グループを作りたい。使うのは?→ K-means(教師なし・クラスタリング)
  2. 過去の売上実績から、来月の売上金額を予測したい。使うのは?→ 回帰(教師あり)。Linear LearnerやXGBoost
  3. 「この取引は不正か否か」を過去の不正ラベルから判定したい。使うのは?→ 分類(教師あり)。XGBoostやLinear Learner

まとめ

  • ラベルがあるかが最初の分岐点。ある=教師あり(予測)、ない=教師なし(構造発見)
  • 教師ありは出力で**分類(カテゴリ)と回帰(数値)**に分かれる
  • 「ラベルがない」「グループ化」「類似性」→ K-means。「予測」「ラベル」→ Linear Learner・XGBoost
  • K-meansは教師なしのクラスタリング、KNNは教師ありの分類・回帰。kの意味も違うので注意

関連記事

参考リンク

用語集

  • ラベル:データに付けられた「正解」のこと。教師あり学習では入力とラベルのペアで学ぶ。
  • 教師あり学習:正解付きのデータから学び、新しい入力の答えを予測する学習方法。分類と回帰がある。
  • 教師なし学習:正解のないデータから、グループやパターンなどの構造を見つける学習方法。クラスタリングが代表例。
  • 半教師あり学習:少量のラベル付きデータと大量のラベルなしデータを組み合わせて学ぶ方法。
  • 強化学習:環境とのやり取りで得られる報酬をもとに、最適な行動を学ぶ方法。
  • 分類:データをあらかじめ決めたカテゴリに分ける予測手法。出力は種類。
  • 回帰:数値を予測する手法。出力は価格や売上金額のような連続した数字。
  • クラスタリング:似たデータをグループに分ける手法。グループそのものをデータから見つける。
  • 次元削減:特徴量の数を減らしつつ、重要な情報を残す手法。
  • 異常検出:通常のパターンから外れたデータを検出する手法。
  • K-means:データをk個のグループに分ける教師なし学習のクラスタリングアルゴリズム。
  • KNN(k近傍法):新しいデータに最も近いk個のラベル付きデータを見て答えを決める教師あり学習の手法。
  • Linear Learner(線形学習者):線形の関数を学ぶSageMakerの教師あり学習アルゴリズム。分類と回帰に対応。
  • XGBoost:勾配ブースティング決定木の実装。SageMakerの教師あり学習アルゴリズムで、分類・回帰・ランキングに対応。
  • 勾配ブースティング:複数の弱いモデルを組み合わせて予測精度を高める手法。
  • ランキング:検索結果や候補を順位付けするタスク。
  • Amazon SageMaker:機械学習モデルの構築・学習・デプロイができるAWSのマネージドサービス。
0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?