第2章：機械学習の基本アルゴリズム

機械学習は、学習の進め方によって大きく「教師あり学習」と「教師なし学習」に分けられます。

1. 教師あり学習（Supervised Learning）

正解（ラベル）があらかじめ分かっているデータを用いて、入力と出力の関係を学習させる手法です。

• 線形回帰: データの傾向を一本の直線で表し、数値を予測します。

• ロジスティック回帰: 「はい/いいえ」などの2値に分類するために、確率を算出します。

• 決定木（Decision Tree）: 「Yes/No」の条件分岐を繰り返して判断を下します。構造がシンプルで、人間が判断理由を理解しやすいのが特徴です。

• サポートベクターマシン（SVM）: 境界線から最も近いデータ点（サポートベクター）との距離（マージン）を最大化するように境界を引く、強力な分類手法です。

2. 教師なし学習（Unsupervised Learning）

正解（ラベル）がないデータから、データ自身の構造や特徴を見つけ出す手法です。

• K-means法（K平均法）: データをあらかじめ決めた数（K個）のグループ（クラスタ）に分ける代表的な手法です。

• 主成分分析（PCA）: 情報の損失を最小限に抑えつつ、データの次元（変数の数）を減らす手法です。大量の項目があるデータを要約する際によく使われます。

3. モデルの学習と評価

AIモデルを作った後は、そのモデルがどれくらい正確かを測定する必要があります。

過学習（オーバーフィッティング）

学習データに過剰に適合してしまい、未知のデータに対して予測精度が落ちてしまう現象です。

• 対策: 学習データを増やす、モデルをシンプルにする、正則化などの手法を用いる。

代表的な評価指標

分類問題において、モデルの性能を測るための指標です。

• 正解率（Accuracy）: 全データのうち、どれだけ正しく予測できたか。

• 適合率（Precision）: 「正」と予測したもののうち、本当に正解だった割合。

• 再現率（Recall）: 実際に「正」であるもののうち、どれだけ漏らさず予測できたか。

• F1スコア: 適合率と再現率をバランスよく考慮した指標。