「分類・回帰・クラスタリング…用語が渋滞している」
「試験で『この例はどっち?』と聞かれると詰まる」
「分類・回帰・クラスタリング」と用語が並ぶと、多くの人がここで足を止めます。でも、あなたがつまずく原因はたいてい1つ。用語を先に覚えようとして、肝心の分け目を見落としていることです。
その分け目は「学習データに正解ラベルが付いているか」だけ。付いていれば教師あり、付いていなければ教師なし。ここから代表アルゴリズムも試験の問われ方も枝分かれします。
この順番で読み進めましょう。まず2つを分ける1点を確かめ、それぞれの代表アルゴリズムを表で押さえ、具体例がどちらかを判定するフローチャートで仕上げます。AI-900・G検定のAI基礎対策に効きます。
1. 分け目は「正解ラベルの有無」——まず全体地図
教師あり・教師なしは、機械学習という大きな技術の中の「学ばせ方」の分類です。両者を一発で分けるのは、学習に使うデータに「正解（ラベル）」が付いているかという1点。ここだけ押さえれば、あとは枝葉です。
さらに実務では、正解の代わりに「良い・悪い」の報酬で試行錯誤する強化学習を第3の柱として並べます。まずはこの記事で最初の2つを固めると、3つ目の位置づけもすっと入ります。機械学習そのものの全体像は、機械学習とは で先に押さえておくと理解が速くなります。
2. 教師あり学習 — 分類と回帰という2本柱
あなたが最初に出会うのが教師あり学習です。ポイントは、教師あり＝1種類の技術ではないこと。やりたいことで「分類」と「回帰」の2本柱に分かれ、それぞれに代表アルゴリズムがあります。
| 柱 | やりたいこと | 出力 | 代表アルゴリズム |
|---|---|---|---|
| 分類 | どのグループかを当てる | カテゴリ（猫／犬 など） | ロジスティック回帰・決定木・SVM・k近傍法 |
| 回帰 | 数値を予測する | 連続した数値（価格 など） | 線形回帰・回帰木・ランダムフォレスト回帰 |
ここで受験者が引っかかるのが「ロジスティック回帰」です。名前に「回帰」と付きますが、実際はカテゴリを当てる「分類」の手法。名前と役割がねじれているので、あなたはここを覚えておくと1問拾えます。
3. 教師なし学習 — グループ化と次元削減
正解ラベルがないデータから、あなたは何を学べるのか。教師なし学習はデータそのものの中に隠れた構造を見つけます。こちらも代表的な2方向があります。
- クラスタリング（グループ化）: 似た特徴のデータを自動でまとまりに分ける。代表はk-means法。例＝購買履歴から顧客層を発見する
- 次元削減（情報の圧縮）: たくさんの特徴を、大事な軸だけに要約する。代表は主成分分析（PCA）。例＝大量のアンケート項目を数個の傾向にまとめる
「正解がないのにどう学ぶの?」と感じるのは自然です。教師なし学習は答えを当てるのではなく、データの似ている・似ていないという関係だけを手がかりに進みます。だから、人があらかじめ決めていなかった新しい顧客像のような発見が生まれます。答えを教える相手がいない分、結果の良し悪しを測りにくいのが難しさでもあります。
4. 判定フローチャート — この例はどっち?
試験でも実務でも、問われるのは「この具体例はどの学習か」です。あなたが迷わないように、判定の順番を1枚の図にしました。上から順にたどれば、答えに行き着きます。
5. 使い分けの判断軸と、試験の頻出角度
使い分けの判断軸は、現場でも試験でも同じ1つです。当社の在籍エンジニア（SE歴15年以上）が実際に踏む順番から見ていきましょう。
現場の判断軸。多くのAIプロジェクトは、いきなり教師ありに飛びつきません。まず教師なしでデータの傾向をつかみ、顧客をクラスタリングで大まかに分けてから、「この層は解約しそうか」を教師あり（分類）で予測する——教師なしで地図を描き、教師ありで狙い撃つ二段構えです。この順番を知っていると、プロジェクトの流れが読めます。
試験の頻出角度。AI-900・G検定は、具体例を挙げて「どの学習・どのタスクか」を選ばせます。次の3つは、正誤が入れ替わりやすい定番です。
- ロジスティック「回帰」 → 名前は回帰でも実体は分類
- 「グループ分け」の例 → 正解ラベルがなければクラスタリング（教師なし）
- 数値予測 → 連続した数値の予測は回帰
次のステップ
AIの資格学習の全体像から入りたいなら、G検定の試験範囲と勉強法ガイド で学習の優先順位を立てるのがおすすめです。
得点力に変えるなら、G検定 機械学習の問題集 で、実際の出題角度に手を動かして慣れておくのが近道です。