【新G検定対策_実践編(第2回)】機械学習とは？

はじめに

G検定の学習を進めている皆さん、第2回となる本記事では「機械学習」をテーマに予想問題を通じてキーワードをより深く理解していただけます。問題を解くだけでなく、キーワードを一言でまとめたり、具体例を挙げて説明することで、アウトプットの力を養い、記憶の定着を図ります。

第1章では機械学習に関する予想問題に挑戦していただきます。第2章で解答と解説を読み、理解を深めます。第3章ではキーワードを一言で言い表すレッスンを行い、第4章では具体例を挙げるレッスンをします。最後の第5章では、キーワードを構造化して記憶に定着させるレッスンを行います。

これらのレッスンを通じて、1つの問題を解くことで10問分の価値があると考えています。ぜひ、3つの問題を通じて「機械学習」のキーワードを深く理解し、G検定合格への一歩を踏み出してください。

1. 予想問題

1.1. 問題1

問題文

• 機械学習において、少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習を行う手法を何というか。最も適切な選択肢を1つ選べ。

選択肢

• (A) 教師あり学習
• (B) 教師なし学習
• (C) 半教師あり学習
• (D) 強化学習

1.2. 問題2

問題文

• シミュレーション環境で強化学習を行う際に、環境パラメータをランダムに変更してモデルの汎化性能を向上させる手法を何というか。最も適切な選択肢を1つ選べ。

選択肢

• (A) ドメインアダプテーション
• (B) ドメインランダマイゼーション
• (C) データオーグメンテーション
• (D) 転移学習

1.3. 問題3

問題文

• クラス不均衡なデータセットにおいて、モデルの性能を総合的に評価するために適した指標はどれか。最も適切な選択肢を1つ選べ。

選択肢

• (A) 正答率（Accuracy）
• (B) F値（F-measure）
• (C) 平均二乗誤差（MSE）
• (D) AUC（Area Under Curve）

2. 解答と解説

2.1. 問題1

解答

• (C) 半教師あり学習

解説

正答理由（(C) 半教師あり学習）

半教師あり学習は、少量のラベル付きデータと大量のラベルなしデータを組み合わせてモデルを学習する手法です。ラベル付きデータの収集にはコストや時間がかかるため、ラベルなしデータを活用することで効率的に学習を行えます。半教師あり学習では、ラベル付きデータから得られる情報と、ラベルなしデータの分布構造を同時に学習することで、モデルの精度向上を図ります。

誤答理由

• (A) 教師あり学習

教師あり学習は、全てのデータに正解ラベルが付与されていることを前提としています。ラベルなしデータを活用しないため、ラベル付きデータが少ない場合にはモデルの性能が低下しやすいです。

• (B) 教師なし学習

教師なし学習は、データにラベルが付与されていない場合にデータの構造や特徴を学習する手法です。クラスタリングや次元削減が該当しますが、ラベル付きデータを利用しないため、ラベル情報に基づく予測はできません。

• (D) 強化学習

強化学習は、エージェントが環境との相互作用を通じて報酬を最大化する行動方策を学習する手法です。ラベル付き・ラベルなしデータの枠組みとは異なり、試行錯誤を繰り返しながら学習を進めます。

2.2. 問題2

解答

• (B) ドメインランダマイゼーション

解説

正答理由（(B) ドメインランダマイゼーション）

ドメインランダマイゼーションは、シミュレーション環境内で環境パラメータ（例えば物理特性や視覚的特徴）をランダムに変更しながらモデルを訓練する手法です。これにより、モデルは多様な環境に対する適応力を高められ、実世界への汎化性能が向上します。特に、シミュレーションと実環境のギャップを埋めるために有効です。

誤答理由

• (A) ドメインアダプテーション

ドメインアダプテーションは、異なるドメイン間でモデルを適用する際に、データ分布の違いを補正する手法です。環境パラメータをランダムに変更する手法ではなく、主にデータ特性の変化に対応します。

• (C) データオーグメンテーション

データオーグメンテーションは、既存のデータに対して変換や加工を行い、データセットを増強する手法です。画像の回転やノイズ追加などが該当しますが、環境パラメータのランダム化とは異なります。

• (D) 転移学習

転移学習は、既存のモデルで学習した知識を新たなタスクに応用する手法です。主にモデルの再利用を目的としており、環境パラメータのランダム変更とは関係がありません。

2.3. 問題3

解答

• (B) F値（F-measure）

解説

正答理由（(B) F値（F-measure））

F値は、適合率（Precision）と再現率（Recall）の調和平均を用いてモデルの性能を評価する指標です。特にクラス不均衡なデータセットにおいて、精度（Accuracy）のみではモデルの性能を適切に評価できない場合に有効です。F値を用いることで、正例・負例のバランスを考慮した総合的な評価が可能となります。

誤答理由

• (A) 正答率（Accuracy）

正答率は、全データにおける正解の割合を示す指標です。クラス不均衡なデータセットでは、多数派のクラスを予測するだけで高い値を示すことがあり、モデルの真の性能を反映しない可能性があります。

• (C) 平均二乗誤差（MSE）

平均二乗誤差は、回帰問題におけるモデルの予測値と実際の値との差の二乗平均を示す指標です。分類問題の評価指標としては適切ではありません。

• (D) AUC（Area Under Curve）

AUCは、ROC曲線下の面積を示す指標で、モデルの判別能力を評価します。二値分類問題で主に使用されますが、F値とは異なる評価基準であり、クラス不均衡への対応も異なります。

3. レッスン1(一言で言う)

3.1.

• 半教師あり学習
  • ラベル付きとラベルなしデータを組み合わせて学習する手法。

3.2.

• ドメインランダマイゼーション
  • シミュレーション環境のパラメータをランダム化してモデルの汎化性能を高める手法。

3.3.

• F値（F-measure）
  • 適合率と再現率の調和平均でモデルの性能を評価する指標。

4. レッスン2(具体例を言う)

4.1.

• 半教師あり学習の具体例
  1. 画像認識におけるデータ効率化：大量の未ラベル画像と少数のラベル付き画像を用いて、物体認識モデルを構築。未ラベル画像からデータの分布を学習し、ラベル付きデータの情報を効率的に活用。
  2. テキスト分類の自己学習：ニュース記事の分類で、一部の記事にのみカテゴリラベルが付与されている場合、ラベルなし記事を含めてモデルを訓練し、分類精度を向上。
  3. 医療データ解析：患者データの一部に診断結果がある場合、全てのデータを用いて疾患予測モデルを構築。倫理的・コスト的にラベル付けが困難なデータを活用。

4.2.

• ドメインランダマイゼーションの具体例
  1. ロボット制御の汎化：シミュレーションでロボットの環境パラメータ（床の摩擦、物体の質量など）をランダム化し、実環境での予期せぬ変化に対応できる制御モデルを作成。
  2. 自動運転システムの訓練：天候や照明条件をランダムに変更したシミュレーション環境で訓練し、雨天や夜間でも安定した性能を発揮するモデルを構築。
  3. ドローンの飛行安定化：風速や気圧などの環境要因をランダム化してシミュレーションし、様々な気象条件下でも安定飛行が可能な制御アルゴリズムを開発。

4.3.

• F値（F-measure）の具体例
  1. スパムメール検出：スパムメールが全体の一部しかない場合、F値を用いてモデルの適合率と再現率をバランスよく評価し、スパム検出性能を最適化。
  2. 不良品検出システム：製造ラインでの不良品が少ない状況で、F値を活用してモデルの検出能力を評価し、見逃しと誤検出のバランスを調整。
  3. 医療診断モデル：稀少疾患の診断において、F値を用いてモデルの性能を評価し、誤診断リスクを低減するための指標として活用。

5. レッスン3(構造化して記憶する)

6. 参考記事

https://zenn.dev/tasse/articles/2ae34cc699c6ce