基本情報技術者 2019年 春期 午前（科目A） 問04

教師あり学習【午前解説】

正解の理由

解法ステップ

1. 問題文のキーワードを抽出する：「正解のデータを提示」「得点を与える」「提示せずにクラスタリング」など。
2. 用語対応を行う：ラベル提示→教師あり、報酬・方策→強化学習、提示せずにクラスタリング→教師なし。
3. 各選択肢を対応させて照合し、該当する定義と一致するものを選ぶ。
4. 類似語（例：出現頻度→統計モデル）に惑わされないように除外して決定する。

選択肢別の誤答解説

• ア：個々の行動に得点を与え、得点を最大化する方策を学習する記述は強化学習（報酬を最大化する方策学習）であり、教師あり学習の定義とは異なります。
• イ：利用者の挙動データの出現頻度に基づく次の挙動推論はマルコフモデルや頻度ベースの確率予測で、必ずしもラベルを用いる教師あり学習の定義ではありません。
• ウ：正解ラベルを提示して誤りを指摘し、未知データへの正誤判定を助ける点が教師あり学習の本質であり正解です。
• エ：正解のデータを提示せずに統計的性質や条件でクラスタリングするのは教師なし学習（クラスタリング等）の説明で、教師あり学習とは対照的です。

よくある誤解

• 「報酬を与える＝教師あり」：報酬（得点）で学ぶのは強化学習で、教師あり学習とは異なります。
• 「ラベルがあるといつでも十分」：ラベルがあってもデータの偏りやラベル誤りがあると汎化できない点を見落としやすいです。
• 「教師なしは全くの無情報」：教師なし学習でも事前知識や距離尺度の選定が重要で、完全に自動で正解が出るとは限りません。

補足コラム

• 代表的な教師あり学習タスクには分類（カテゴリ予測）と回帰（連続値予測）があり、代表的アルゴリズムはロジスティック回帰、線形回帰、決定木、SVM、ニューラルネットワークなどです。
• 損失関数の例：分類なら交差エントロピー、回帰なら平均二乗誤差（MSE）。モデル評価には交差検証やホールドアウトを用いて汎化性能を確認します。
• 半教師あり学習や弱教師あり学習はラベル不足の現実的な対応策で、教師ありと教師なしの中間的立場を取ります。

FAQ