DS検定で問われる機械学習の基礎｜教師あり/なし・過学習・評価指標を完全図解

機械学習は、DS検定（データサイエンティスト検定）の最頻出テーマです。出題範囲が広く、用語も多いため「何から覚えればいいのかわからない」と感じる方が非常に多い分野でもあります。

しかし安心してください。機械学習の基礎は、身近なたとえ話でイメージをつかめば、一気に理解が進みます。この記事では、数式をほとんど使わずに「なぜそうなるのか」を徹底的に図解します。最後まで読めば、DS検定の機械学習パートに自信を持って臨めるようになります。

そもそも「機械学習」とは何か？

機械学習とは、データからパターンやルールを自動的に学習し、未知のデータに対して予測や判断を行う技術です。人間がルールを一つひとつプログラムするのではなく、大量のデータを渡して「自分でルールを見つけなさい」とコンピュータに任せるアプローチです。

この「データからルールを見つける方法」には大きく3つのタイプがあります。次のセクションから、それぞれを詳しく見ていきましょう。

機械学習の「3つの学習タイプ」全体像

機械学習のアルゴリズムは、データの与え方（正解を教えるかどうか）によって3つに分類されます。DS検定では「この手法はどのタイプに属するか？」という問い方が頻出なので、まずは全体像を押さえましょう。

学習タイプ	正解ラベル	たとえ話	代表的な用途
教師あり学習	あり ✅	答え付きの問題集で勉強する	売上予測、メール分類（スパム判定）
教師なし学習	なし ❌	答えなしで「似た者同士」を自力でグループ分け	顧客セグメント、異常検知
強化学習	なし（報酬あり）🏆	ゲームをプレイして「高スコア」を目指す	ロボット制御、囲碁AI、自動運転

教師あり学習とは？｜「答え付きの問題集」で学ぶ

教師あり学習（Supervised Learning）は、「入力データ」と「正解ラベル（答え）」のペアを大量に与えて、入力から正解を予測するルールを学ばせる方法です。

教師あり学習には、大きく2つのタスクがあります。「回帰」と「分類」です。

回帰（Regression）：数値を予測する

回帰は、連続的な数値を予測するタスクです。「明日の気温は何度？」「この家の価格はいくら？」のように、答えが数字になるものが回帰です。

分類（Classification）：カテゴリを予測する

分類は、どのカテゴリに属するかを予測するタスクです。「このメールはスパムか、正常か？」「この画像は犬か、猫か？」のように、答えがラベル（カテゴリ名）になるものが分類です。

教師あり学習の代表的アルゴリズム一覧

DS検定では、「このアルゴリズムは回帰か？分類か？」「どんな特徴があるか？」が問われます。すべてを深く理解する必要はありませんが、名前・タスクの種類・ひとこと特徴は押さえておきましょう。

アルゴリズム名	回帰	分類	ひとこと特徴（たとえ話）
線形回帰	✅	−	データに「まっすぐな線」を引いて予測する最もシンプルな手法
ロジスティック回帰	−	✅	名前に「回帰」とあるが分類の手法。確率で0/1を判定する
決定木	✅	✅	「はい/いいえ」の質問を繰り返して答えにたどり着く「アキネイター」方式
ランダムフォレスト	✅	✅	決定木を大量に作り、多数決で答えを決める「集合知」方式
勾配ブースティング （XGBoost, LightGBMなど）	✅	✅	弱い木を順番に育て、前の木の「間違い」を次の木が修正する「リレー」方式
サポートベクターマシン （SVM）	✅	✅	2つのグループの間にできるだけ幅の広い境界線を引く手法
k-NN（k近傍法）	✅	✅	「近くにいる仲間」を見て多数決で判定する「類は友を呼ぶ」方式
ニューラルネットワーク （ディープラーニング）	✅	✅	人間の脳の神経回路を模倣。画像認識・自然言語処理で圧倒的な性能
ナイーブベイズ	−	✅	ベイズの定理を使って「この特徴ならAの確率が高い」と判定。スパムフィルタで有名

教師なし学習とは？｜「答えなしで自力でグループ分け」する

教師なし学習（Unsupervised Learning）は、正解ラベルが存在しないデータから、データの構造やパターンを発見する方法です。

教師なし学習の代表的タスク

タスク名	やること	代表的手法	活用例
クラスタリング	似たデータをグループに分ける	k-means法 階層的クラスタリング DBSCAN	顧客セグメント分析 似た購買パターンの発見
次元削減	多くの特徴量を少数に要約する	主成分分析（PCA） t-SNE	データの可視化 前処理（ノイズ除去）
アソシエーション分析	「AとBは一緒に買われやすい」などの関連ルールを発見	Aprioriアルゴリズム	ECサイトの「この商品を買った人はこちらも」

k-means法のイメージ｜最もメジャーなクラスタリング

k-means法は、データをk個のグループ（クラスタ）に分ける手法です。以下のステップを繰り返します。

強化学習とは？｜「ゲームをプレイして上手くなる」AI

強化学習（Reinforcement Learning）は、「行動」→「報酬（or ペナルティ）」のフィードバックを繰り返しながら、最も報酬が大きくなる行動パターンを学ぶ方法です。

代表的な応用例としては、囲碁AI「AlphaGo」、ロボットの歩行制御、自動運転の意思決定などがあります。DS検定では「強化学習は報酬を最大化するために学習する」という概念を知っていれば十分です。

3つの学習タイプを1枚で整理

訓練データとテストデータ｜なぜデータを「分ける」のか？

機械学習では、手元のデータを「訓練データ（学習用）」と「テストデータ（評価用）」に分けて使います。これは過学習（後述）を防ぐための最も基本的な考え方です。

交差検証（クロスバリデーション）という発展テクニック

データを1回だけ分割すると、「たまたま分け方が良かった（悪かった）」だけの可能性があります。そこで使われるのがk分割交差検証（k-fold Cross Validation）です。

データをk個に分割し、「1個をテスト、残りk-1個を訓練」の組み合わせをk回繰り返す方法です。k回の評価結果を平均することで、偏りのない安定した評価が得られます。

過学習（オーバーフィッティング）とは？

過学習とは、モデルが訓練データに「過剰に適合」してしまい、未知のデータに対する予測精度が悪くなる現象です。機械学習で最も重要な概念の一つであり、DS検定でも確実に出題されます。

過学習と未学習（アンダーフィッティング）の比較

過学習の反対が未学習（アンダーフィッティング）です。モデルが単純すぎてデータのパターンすら捉えられていない状態です。

過学習が起きる主な原因

原因	説明
モデルが複雑すぎる	パラメータ数が多すぎると、ノイズまで「覚えて」しまう
訓練データが少なすぎる	データが少ないと偏りをそのまま学習する
学習回数（エポック）が多すぎる	同じデータで学習しすぎると丸暗記状態になる
特徴量が多すぎる	不要な情報まで入れると、無関係なパターンを拾ってしまう

過学習を防ぐ5つの対策

過学習を防ぐ方法はいくつかありますが、DS検定で問われる代表的な対策を5つ紹介します。

① 正則化（Regularization）｜最重要の対策

正則化とは、モデルのパラメータ（重み）が大きくなりすぎるのにペナルティを課す手法です。モデルが複雑になろうとするのを「待った！」とブレーキをかけるイメージです。

手法名	別名	特徴
L1正則化	Lasso回帰	重みの絶対値の合計にペナルティ。不要な特徴量の重みを完全にゼロにする（スパース化）
L2正則化	Ridge回帰	重みの二乗の合計にペナルティ。すべての重みをまんべんなく小さくする
Elastic Net	−	L1とL2のハイブリッド

② 早期終了（Early Stopping）

学習を進めると、ある時点から訓練データの精度は上がり続けるのに、テストデータの精度は下がり始めるポイントが来ます。このタイミングで学習を打ち切るのが早期終了です。

③ ドロップアウト（Dropout）

主にニューラルネットワークで使われる手法です。学習中にランダムにニューロン（計算ユニット）を無効化することで、特定のニューロンに依存しない「頑健な」モデルを作ります。

④ データを増やす

最もシンプルかつ効果的な対策です。訓練データの量が多いほど、ノイズに引きずられにくくなります。画像の場合は、反転・回転・拡大縮小でデータを水増しするデータ拡張（Data Augmentation）も有効です。

⑤ 特徴量選択・次元削減

不要な特徴量（列）を減らすことも過学習対策になります。特徴量が多すぎると、無関係なパターンを拾いやすくなるためです。主成分分析（PCA）などの次元削減手法が使われます。

バイアスとバリアンスのトレードオフ

過学習と未学習の関係を理論的に説明するのが「バイアス-バリアンス・トレードオフ」です。DS検定で概念を問われることがあるので、イメージだけ押さえておきましょう。

バイアスを下げようとモデルを複雑にするとバリアンスが上がり、バリアンスを下げようとモデルを単純にするとバイアスが上がります。この「あちらを立てればこちらが立たず」の関係がトレードオフです。最適なモデルは、両者のバランスが取れたポイントにあります。

評価指標の基礎｜混同行列（Confusion Matrix）を理解する

ここからは「分類モデル」の評価指標を解説します。すべての指標の出発点が混同行列です。まずはこの4つのマス目を完璧に理解しましょう。

混同行列の4つのマス目

		モデルの予測
		陽性と予測	陰性と予測
実際の正解	実際に陽性	TP （True Positive） 正しく陽性と判定	FN （False Negative） 陽性を見逃した
	実際に陰性	FP （False Positive） 誤って陽性と判定	TN （True Negative） 正しく陰性と判定

精度・適合率・再現率｜3つの評価指標を完全理解

混同行列の4つのマス目から、いくつかの評価指標（メトリクス）を計算します。DS検定で特に重要な3つを紹介します。

① 正解率（Accuracy）｜全体の中で正しく判定した割合

最もシンプルな指標で、「全体の中で正しく判定できたものの割合」です。しかし、データの偏り（不均衡データ）があると使い物にならないことがあります。

② 適合率（Precision）｜「陽性と言ったもの」の中で本当に陽性だった割合

③ 再現率（Recall）｜「実際に陽性のもの」の中でどれだけ拾えたか

適合率と再現率はトレードオフの関係

適合率と再現率は「あちらを立てればこちらが立たず」の関係にあります。

F値（F1スコア）｜適合率と再現率の「バランス指標」

適合率と再現率はトレードオフの関係にあるため、「どちらか一方だけ見る」のは危険です。そこで両方のバランスを1つの数値で表す指標がF値（F1スコア）です。

計算例で確認しよう

モデル	適合率	再現率	算術平均	F1スコア	評価
A	0.90	0.80	0.85	0.847	バランス良い
B	1.00	0.10	0.55	0.182	再現率が壊滅的

モデルBは適合率が完璧（1.00）ですが、再現率が0.10（10個中1個しか見つけられない）。算術平均だと0.55で「まあまあ」に見えますが、F1スコアは0.182と正しく「ダメなモデル」であることを示します。

ROC曲線とAUC｜モデルの「総合力」を1つの数値で表す

精度、適合率、再現率、F値はいずれも「特定の閾値（しきい値）での性能」を表す指標です。しかし、閾値を変えれば結果も変わります。そこで、閾値をすべて動かしたときの総合性能を評価するのがROC曲線とAUCです。

ROC曲線とは？

ROC曲線（Receiver Operating Characteristic Curve）は、横軸に偽陽性率（FPR）、縦軸に真陽性率（TPR = 再現率）をとり、閾値を変化させたときの軌跡をプロットしたグラフです。

AUC（Area Under the Curve）とは？

AUCは、ROC曲線の下側の面積です。面積が大きいほど、モデルの総合性能が高いことを意味します。

AUCの値	モデルの性能	イメージ
1.0	完璧な分類	陽性と陰性を100%正しく分離
0.9〜1.0	非常に高い	ほぼ完全に識別できている
0.7〜0.9	良好〜まずまず	実用レベル
0.5	ランダム（意味なし）	コインを投げるのと同じ＝学習できていない
0.5未満	ランダム以下	予測が逆転している（ラベルを入れ替えるべき）

回帰の評価指標｜MSE・RMSE・MAE・R²

ここまでは「分類」の評価指標を見てきました。次は「回帰」の評価指標です。回帰は数値を予測するタスクなので、「予測値と実際の値がどれくらいズレているか」で評価します。

指標	正式名称	意味	特徴
MAE	Mean Absolute Error （平均絶対誤差）	予測と実際のズレの絶対値の平均	外れ値の影響を受けにくい。単位が元データと同じで直感的
MSE	Mean Squared Error （平均二乗誤差）	予測と実際のズレの二乗の平均	大きなズレに厳しい（二乗で重みが増す）。数学的に扱いやすい
RMSE	Root Mean Squared Error （二乗平均平方根誤差）	MSEの平方根	MSEの単位を元に戻したもの。解釈しやすい
R²	決定係数	モデルがデータの変動をどれだけ説明できるかの割合	0〜1の値。1に近いほど当てはまりが良い。0は「平均値と同じ予測」

評価指標の全体まとめ｜分類と回帰の使い分けマップ

ここまで学んだ評価指標を1枚の表にまとめます。DS検定では「このシーンではどの指標を使うべきか？」が問われるので、使い分けの判断基準を押さえておきましょう。

分類タスクの評価指標マップ

指標	使うべきシーン	注意点
正解率	クラスが均等なデータ（犬50%:猫50%）	不均衡データでは使えない
適合率	誤報を減らしたいとき （スパムフィルタ、レコメンド）	見逃しが増える可能性あり
再現率	見逃しを減らしたいとき （がん検診、不正検知）	誤報が増える可能性あり
F1スコア	適合率と再現率のバランスを見たいとき	不均衡データの総合評価に最適
AUC	閾値に依存しないモデル全体の性能を比較	閾値を決める前の「モデル選定」に使う

回帰タスクの評価指標マップ

指標	使うべきシーン	注意点
MAE	外れ値に強く、安定した評価がほしいとき	大きなズレも小さなズレも同等に扱う
MSE / RMSE	大きなズレを厳しくペナルティしたいとき	外れ値の影響を受けやすい
R²	モデルの説明力を0〜1で比較したいとき	特徴量を増やすだけで上がる（過大評価の危険性）

DS検定で問われる機械学習の出題パターンまとめ

最後に、この記事の内容がDS検定でどのように出題されるかを整理します。以下のパターンを押さえておけば、機械学習パートの基礎は万全です。

出題パターン	押さえるべきポイント
「○○は教師あり？教師なし？」	正解ラベルがあるか・ないかで判断。クラスタリングは教師なし
「○○は回帰？分類？」	出力が数値なら回帰、カテゴリなら分類。ロジスティック回帰は分類
「過学習の原因・対策は？」	原因：モデルが複雑すぎる、データが少ない。対策：正則化、早期終了、交差検証
「L1正則化とL2正則化の違いは？」	L1はスパース化（重みをゼロに）、L2は全体を小さく。L1 = Lasso、L2 = Ridge
「適合率 / 再現率 / F値の計算」	混同行列からTP,FP,TN,FNを読み取って計算。F値は調和平均
「見逃しを減らしたい場合の指標は？」	再現率（Recall）。がん検診、不正検知など
「AUC = 0.5の意味は？」	ランダム予測と同等。モデルが何も学習していない
「交差検証の目的は？」	汎化性能の安定した評価。データの分割偏りを排除する