機械学習の3つの学び方

• 教師あり学習 … 正解の付いたデータから学ぶ。数を当てる回帰と、種類を当てる分類
• 教師なし学習 … 正解なしで、データの中のまとまりを見つける。k平均法などのクラスタリング
• 強化学習 … 行動の結果の報酬が大きくなるように、試しながら学ぶ

過学習とデータの分け方

学習に使ったデータだけに合いすぎて、新しいデータで当たらない状態を過学習と呼びます。データを学習用・検証用・テスト用に分け、まだ見ていないデータで性能を確かめます。分け方を変えて何度か確かめる方法を交差検証と呼びます。

分類の評価指標

100件で、本当に陽性を陽性と当てたもの（TP）が30、陰性を陽性と誤ったもの（FP）が10、陽性を見逃したもの（FN）が20、陰性を陰性と当てたもの（TN）が40のとき、

• 正解率 … (30 + 40) ÷ 100 = 0.7
• 適合率 … 陽性と予測した中で本当に陽性の割合。30 ÷ 40 = 0.75
• 再現率 … 本当の陽性のうち当てた割合。30 ÷ 50 = 0.6
• F値 … 適合率と再現率の調和平均。約0.67

陽性がとても少ないデータでは、正解率だけで判断しません。

回帰の評価と深層学習・生成AI

回帰は、誤差の2乗の平均（MSE）や、その平方根（RMSE）で評価します。深層学習は層を深く重ねたニューラルネットワークで、画像認識や自然言語処理を大きく進めました。大規模言語モデルは文章を生成しますが、もっともらしい誤り（ハルシネーション）を含むことがあります。

• 教師あり学習（回帰・分類）・教師なし学習・強化学習
• 過学習と、学習用・検証用・テスト用のデータの分け方
• 混同行列と、正解率・適合率・再現率・F値の計算
• 回帰の評価（MSE・RMSE）と、深層学習・生成AIの基本