ITパスポート 2024年 問65
問題文
AIにおける機械学習の学習方法に関する次の記述中のa〜cに入れる字句の適切な組合せはどれか。
教師あり学習は、正解を付けた学習データを入力することによって、[ a ]と呼ばれる手法で未知のデータを複数のクラスに分けたり、[ b ]と呼ばれる手法でデータの関係性を見つけたりすることができる学習方法である。教師なし学習は、正解を付けない学習データを入力することによって、[ c ]と呼ばれる手法などで次第にデータを正しくグループ分けできるようになる学習方法である。
選択肢
ア：
イ：
ウ：（正解）
エ：
🔒 解説は解答すると表示されます
AIにおける機械学習の学習方法に関する穴埋め +【ITパスポート 解説】
正解の理由
教師あり学習（supervised learning：正解ラベル付きのデータでモデルを学習させる手法）は、与えられた説明文の通り「未知のデータを複数のクラスに分ける」処理と「データの関係性を見つける」処理の両方を行えます。前者は「分類（classification：データをカテゴリに分けること）」、後者は「回帰（regression：数値など連続的な値の予測や特徴間の関係を求めること）」に対応します。
一方、教師なし学習（unsupervised learning：正解ラベルなしでデータの構造を見つける手法）は、データを似た特徴ごとにグループ化する「クラスタリング（clustering）」などで、グループを自動的に作る学習を行います。
したがって a = 分類、b = 回帰、c = クラスタリング を示す選択肢が正しく、表の中では ウ に該当します。
一方、教師なし学習（unsupervised learning：正解ラベルなしでデータの構造を見つける手法）は、データを似た特徴ごとにグループ化する「クラスタリング（clustering）」などで、グループを自動的に作る学習を行います。
したがって a = 分類、b = 回帰、c = クラスタリング を示す選択肢が正しく、表の中では ウ に該当します。
（用語の補足：教師あり学習＝正解ラベル付きデータで学ぶ、教師なし学習＝正解ラベルなしでデータの構造を見つける）
解法ステップ
- 問題文のキーワードを探す
- 「複数のクラスに分ける」→ 分類（カテゴリ分け）
- 「データの関係性を見つける」→ 回帰（変数間の関係や数値予測）
- 「グループ分けできるようになる」→ クラスタリング（似たものをまとめる）
- 各空欄 a〜c に当てはまる用語を当てはめる
- a = 分類、b = 回帰、c = クラスタリング
- 選択肢表の中から該当する行を選ぶ
- aが分類、bが回帰、cがクラスタリングとなっている行は ウ なので選択する
短く言えば、キーワード→用語対応→表で照合、の順で解きます。
選択肢別の誤答解説
- ア：a=回帰、b=分類、c=クラスタリング
- 誤り。問題文では a に「複数のクラスに分ける」とあるため a は分類であるべきです。アは回帰になっており合いません。
- イ：a=クラスタリング、b=分類、c=回帰
- 誤り。教師あり学習（a、b）に関する説明に「正解を付けた学習データを入力」とあるため a はクラスタリング（教師なし学習の代表）ではありません。また c に回帰を入れるのも不適切です。
- ウ：a=分類、b=回帰、c=クラスタリング
- 正解。問題文の各説明（クラス分け→分類、関係性→回帰、正解なしでグループ化→クラスタリング）に一致します。
- エ：a=分類、b=クラスタリング、c=回帰
- 誤り。b は教師あり学習に関する「データの関係性を見つける」が回帰に対応しますが、エでは b がクラスタリング（本来は教師なし）になっており矛盾します。
よくある誤解
- 分類とクラスタリングを混同する
- 分類は「ラベル（正解）がある」データを使って学習し、新しいデータにラベルを割り当てます。クラスタリングは「ラベルがない」データを似たもの同士で自動的にグループ化します。見た目は似ていますが、前者は教師あり学習、後者は教師なし学習です。
- 回帰は「分類の一種」と思う誤り
- 回帰は連続値（例：家の価格、気温）を予測します。分類はカテゴリ（例：スパム/非スパム、病気/健康）に分ける点で目的が異なります。
例：メールの振り分け
- スパム判定（分類、教師あり）
- 顧客の自動グルーピング（クラスタリング、教師なし）
- 住宅価格予測（回帰、教師あり）
補足コラム
代表的な手法（簡単な説明）
- 分類（classification）
- ロジスティック回帰（logistic regression）：確率を出してクラスを決める簡単な手法
- SVM（Support Vector Machine：分類のための境界を学習する手法）
- 回帰（regression）
- 線形回帰（linear regression）：説明変数と目的変数の関係を直線で表す基本手法
- クラスタリング（clustering）
- k-means（ケイミーンズ）：データを k 個のグループに分ける代表的な方法（k はグループ数）
これらは名前と役割を押さえておけば、問題文の語句と対応させやすくなります。
FAQ
Q1. 教師あり学習と教師なし学習はどう使い分けるのですか？
A1. 使い分けは目的によります。正解ラベル（例：売上、ジャンル、合否）があれば教師あり学習を使い、ラベルがないデータの構造を知りたいときは教師なし学習を使います。
A1. 使い分けは目的によります。正解ラベル（例：売上、ジャンル、合否）があれば教師あり学習を使い、ラベルがないデータの構造を知りたいときは教師なし学習を使います。
Q2. 分類でも数値を扱うことはありますか？
A2. 分類はカテゴリを扱いますが、カテゴリ数が多ければ数として扱うこともあります。しかし「予測する値が連続的かカテゴリか」で分類か回帰かを判断します。
A2. 分類はカテゴリを扱いますが、カテゴリ数が多ければ数として扱うこともあります。しかし「予測する値が連続的かカテゴリか」で分類か回帰かを判断します。
Q3. クラスタリングはどのような場面で役に立ちますか？
A3. 顧客のセグメンテーション（似た顧客をまとめる）、文書の自動分類（トピックごとのグループ作成）など、正解ラベルがないデータの整理に役立ちます。
A3. 顧客のセグメンテーション（似た顧客をまとめる）、文書の自動分類（トピックごとのグループ作成）など、正解ラベルがないデータの整理に役立ちます。
関連キーワード: 機械学習、教師あり学習、教師なし学習、分類、回帰、クラスタリング、SVM、k-means
\ せっかくなら /
ITパスポートを
クイズ形式で学習しませんか？
クイズ画面へ遷移する→
すぐに利用可能！