機械学習モデルとは？　～主な種類と選ぶポイント～

2022/07/24

お役立ち情報

AIはもはやSFや遠い未来の話ではなく、私たちの暮らしや仕事で身近な存在となりました。
AIについて学んだり調べたりする過程で必ず出てくるキーワードの一つに「機械学習」があります。
機械学習とは一体、何を指すのでしょうか？

本コラムでは、機械学習モデルについて、概要や種類、適切な選び方についてご紹介いたします。

機械学習モデルとは？
機関学習モデルの主な種類
機械学習モデルの選び方
まとめ

イントラマートにDX業務改革を相談しませんか

イントラマートではお客様の業務プロセス改革をサポートする、トータルサービスをご提供しております。お客様自身が継続的かつクイックにDX業務改革を推進していけるよう支援していくトータルサポートサービスです。

DX支援について詳しくみる

1. 機械学習モデルとは？

機械学習モデルとは、機械学習において、入力したデータに対する出力（回答）を導き出す仕組みのことです。

機械学習とは

機械学習モデルについて理解するためには、まず、機械学習について知る必要があります。機械学習とは、AI（Artificial Intelligence /人工知能）の一つで、組み込んでおいた知識を蓄積・整理・最適化することで機械自身が学習するタイプを指します。
人間や動物が経験を通して自然に学習する仕組みを、コンピューターにさせようという研究分野で、プログラムされた通りの回答を返すだけではないという点が特徴です。

機械学習においてデータの流れは「入力」→「機械学習モデル」→「出力」となります。
用途によって入力されるデータの種類はさまざまなため、目的に応じて個別にモデルが作成されます。

2. 機関学習モデルの主な種類

機械学習モデルは、用途・目的に応じて個別に作成されますが、大きく分けると「教師あり学習」「教師なし学習」に二分できます。

教師あり学習

教師あり学習とは、適切な例題と模範解答をセットにして組み込むタイプです。
たとえば、迷路や将棋などをコンピューターに解かせる場合は、教師あり学習が最適です。

教師あり学習のモデルは、さらに「回帰」と「分類」に分けられます。

回帰

回帰には、「線形回帰」などがあります。

線形回帰

回帰の中で最もシンプルなのが線形回帰です。
一方の変数が、他方の変数を左右するようなものの分析に利用します。

たとえば、アイスクリームの売れ具合と気温の関係などを分析できます。
なお、予測したい変数を「従属変数（目的変数）」、従属変数を予測するための変数を「独立変数（説明変数）」といいます。

正則化

上の「線形回帰」のメリットを解消したものが「正則化」です。
線形回帰では、独立変数が増え過ぎると、結果予測がうまくできなくなってしまう「過学習」という状態に陥ることがあります。これを防ぐために使用するのが「正則化」で、線形回帰の損失関数に正則化項を追加します。
正則化された線形回帰には、「Ridge回帰」や「Lasso回帰」があります。

教師なし学習

教師なし学習とは、教師あり学習のように例題と模範解答がなくても学習していくタイプです。

たとえば、Googleの子会社であるDeepMind（ディープマインド）社が開発した囲碁プログラムの「AlphaGo（アルファ碁）」には、自己対戦によって学習していく教師なし学習モデルが採用されています。

教師なし学習のモデルには、次のような種類があります。

クラスタリング

クラスタリングとは、大量のデータを類似性に基づいてグループ分けする手法です。顧客層の分類や楽曲のジャンル分けなどに活用されています。

「教師あり学習」の「分類」とは異なり、データを元にして、その特徴を学習することで類別します。

k平均法

k平均法とは、最初に指定した数に合わせて、各データに適当なクラスタを割当て、それぞれのクラスタで重心を求め、それぞれの重心から最適なクラスタを割り当て直すという作業を繰り返すことで、最終的に近いデータ同士が同じクラスタにまとまるという仕組みです。「k-means」ともよばれます。
「k近傍法」と混同しそうな「k平均法」ですが、「k近傍法」は教師あり学習、こちらは教師なし学習です。

主成分分析（PCA: Principal Component Analysis）

主成分分析とは、不必要な特徴量※を減らして、より少ない特徴量で予測できるようにする手法です。特徴量が多過ぎると、計算に時間がかかり過ぎたり、過学習を起こしてしまったりすることがあるためです。「次元削減」ともよばれます。

※特徴量…コンピューターに学習させるべき特徴のこと。

3. 機械学習モデルの選び方

上でご紹介した以外にも、さまざまな機械学習モデルがあります。
機械学習モデルを選ぶ際は、「予測精度の高さ」「計算にかかる時間の長さ」「出力結果のわかりやすさ」の3点に着目すると良いでしょう。

予測精度の高さ

機械学習を利用する用途が何であれ、最も重要なのは、実際の結果と近しい予測が行えることでしょう。よって、機械学習の手法を選ぶ際は、予測精度の高さが優先されるべきだといえます。

予測精度が高い手法には、次のようなものがあります。

ニューラルネットワーク
サポートベクターマシン（SVM）
ランダムフォレスト

計算にかかる時間の長さ

次に重要な要素が、計算にかかる時間の長さです。
基本的に、計算しなければならない項目数やデータ数が多ければ、計算にかかる時間は長くなります。

計算にかかる時間が短い手法には、次のようなものがあります。

ナイーブベイズ
主成分分析

出力結果のわかりやすさ

機械学習で得た出力結果は、最終的に人が見て判断する必要があり、わかりやすいことが大切です。
また、何らかの原因で誤った出力結果が出ることもあります。その際、どうして誤った結果となったのかといった経緯を関係者に説明するためにも、原因をたどれることが重要になってきます。出力結果だけでなく、入力から出力までの経緯を把握できることも大切です。

出力結果の説明がしやすい手法には、次のようなものがあります。