26. 機械学習の基礎① 〜教師あり学習と教師なし学習とは？〜

Hello there, ('ω')ノ

📌 1. 機械学習とは？

✅ AI・機械学習・ディープラーニングの違い

「AI（人工知能）」という言葉はよく聞きますが、機械学習やディープラーニングとの違いを整理すると以下のようになります。

📌 AI（人工知能） - 人間のように学習・判断する技術の総称 - 例: チャットボット、画像認識、自動運転

📌 機械学習（Machine Learning） - データを使ってコンピュータが学習する手法 - 例: 価格予測、スパムメール分類

📌 ディープラーニング（Deep Learning） - 機械学習の一種で、ニューラルネットワークを活用 - 例: 画像認識、音声認識、自然言語処理（ChatGPT）

➡ AI ⊃ 機械学習 ⊃ ディープラーニング の関係になっている！

---

📌 2. 教師あり学習 vs 教師なし学習

機械学習は 「教師あり学習」 と 「教師なし学習」 に大きく分けられます。

✅ 教師あり学習（Supervised Learning）

📌 「正解データ（ラベル）」があるデータで学習する手法

例	説明
メールのスパム分類	「スパム」「スパムでない」のラベル付きデータで学習
売上予測	過去のデータ（気温・広告費・売上）から未来の売上を予測
画像認識（犬 or 猫）	「犬」or「猫」のラベル付き画像データで学習

➡ 教師あり学習では、入力と正解データを使って学習する！

---

✅ 教師なし学習（Unsupervised Learning）

📌 「正解データ（ラベル）」がないデータからパターンを見つける手法

例	説明
顧客のグルーピング	購買履歴をもとに似たユーザーを分類（クラスタリング）
異常検知	クレジットカードの不正利用を発見
次元削減	画像の特徴を少ない要素に圧縮（PCA）

➡ 教師なし学習では、データの構造を自動的に学習する！

---

📌 3. 代表的なアルゴリズム

それぞれの学習方法における 代表的なアルゴリズム を紹介します！

学習方法	タスク	代表的な手法
教師あり学習	分類（Classification）	ロジスティック回帰, ランダムフォレスト, XGBoost, CNN
教師あり学習	回帰（Regression）	線形回帰, ランダムフォレスト回帰, LSTM
教師なし学習	クラスタリング（Clustering）	K-means, DBSCAN, 階層クラスタリング
教師なし学習	次元削減（Dimensionality Reduction）	PCA, t-SNE

➡ 問題に応じて適切なアルゴリズムを選ぶことが重要！

---

📌 4. Pythonで簡単に試してみよう！

✅ 教師あり学習（分類）

scikit-learn を使って スパムメール分類 の簡単な例を実装してみます！

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_digits
from sklearn.metrics import accuracy_score

# 手書き数字データ（MNIST）をロード
digits = load_digits()
X, y = digits.data, digits.target

# データを学習用・テスト用に分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ランダムフォレストで学習
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 予測
y_pred = model.predict(X_test)

# 精度を表示
print(f"Accuracy: {accuracy_score(y_test, y_pred):.2f}")

✅ 手書き数字（0〜9）を分類する簡単な機械学習モデル！
✅ 教師あり学習（分類問題）の実装例！

---

✅ 教師なし学習（クラスタリング）

今度は、教師なし学習（K-meansクラスタリング）を試してみましょう！

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import japanize_matplotlib  # 日本語対応

# データの準備（digits.data が定義されていることを前提）
X = digits.data

# K-means クラスタリング（🔹 n_init を指定）
kmeans = KMeans(n_clusters=10, n_init=10, random_state=42)
clusters = kmeans.fit_predict(X)

# 結果の可視化
plt.scatter(X[:, 0], X[:, 1], c=clusters, cmap="viridis", alpha=0.5)
plt.title("K-means クラスタリング結果")
plt.show()

✅ 教師なし学習の代表的な手法「K-meansクラスタリング」！
✅ 似たデータを自動的に分類する！

---

📌 5. 機械学習の選び方（分類 vs 回帰 vs クラスタリング）

どの機械学習を使うべきか迷ったときは、以下の表を参考にしてください！

問題の種類	例	推奨手法
分類（Yes/No, カテゴリ）	スパムメール判定, 犬 or 猫判別	ロジスティック回帰, RandomForest, CNN
回帰（数値予測）	売上予測, 住宅価格予測	線形回帰, ランダムフォレスト回帰
クラスタリング（グルーピング）	顧客セグメント分析	K-means, DBSCAN

✅ タスクに応じて適切なアルゴリズムを選ぶ！

---

🎯 まとめ

✅ 機械学習は「教師あり学習」と「教師なし学習」に分かれる！
✅ 分類・回帰・クラスタリングなど、目的に応じた手法を選ぶ！
✅ Pythonを使って簡単に実装できる！

Best regards, (^^ゞ