教師あり学習：分類問題

あなたがメールを開くたびに、コンピュータは瞬時に「これは迷惑メールか、普通のメールか」を判断しています。病院では、医師がX線画像を見て「これは正常か、異常か」を診断します。これらはすべて 分類問題 と呼ばれるタイプの問題です。この記事では、機械学習の中でも最も基本的で重要な 教師あり学習の分類問題 について、具体的な手法とその応用を詳しく解説します。

教師あり学習とは？

教師あり学習とは、「正解」が分かっているデータを使って、コンピュータに予測方法を教える学習方式 です。まるで先生が生徒に問題と答えを示して教えるように、機械にもデータと正解のペアを大量に見せて学習させます。

たとえば、迷惑メール判定システムを作る場合：

学習データ：「お金を今すぐ送金してください」→ 迷惑メール
学習データ：「明日の会議の件でご連絡します」→ 普通のメール
学習データ：「無料でプレゼントを差し上げます」→ 迷惑メール

このように「メール内容」と「正解ラベル」のペアを何万件も見せることで、コンピュータは「どういう特徴があると迷惑メールなのか」を学習します。

要するに、「答えを教えながら学習させる」方法です。

分類問題の基本概念

分類問題とは、与えられたデータがどのカテゴリ（クラス）に属するかを予測する問題 です。

■分類問題の例

医療診断：

入力：症状、検査結果
出力：「正常」「異常」

画像認識：

入力：写真
出力：「犬」「猫」「鳥」

感情分析：

入力：「この映画は最高だった！」
出力：「ポジティブ」「ネガティブ」「中立」

信用審査：

入力：年収、勤続年数、借入歴
出力：「承認」「拒否」

■二分類と多クラス分類

二分類（バイナリ分類）： 2つのクラスのうちどちらかを選ぶ問題です。

例：

迷惑メール判定：「迷惑メール」か「普通のメール」か
医療診断：「正常」か「異常」か
商品レビュー：「ポジティブ」か「ネガティブ」か

多クラス分類： 3つ以上のクラスの中から1つを選ぶ問題です。

例：

画像認識：「犬」「猫」「鳥」「魚」「馬」...
文書分類：「スポーツ」「政治」「経済」「芸能」...
音声認識：「あ」「い」「う」「え」「お」...

代表的な分類アルゴリズム

■1. ロジスティック回帰

ロジスティック回帰 は、分類問題のための最も基本的な手法の一つです。「回帰」という名前ですが、実際は分類問題を解くアルゴリズムです。

基本的な考え方：データの特徴から、そのデータが特定のクラスに属する確率を計算します。

たとえば、メール分類の場合：

「無料」という単語が含まれている → 迷惑メール確率+30%
「会議」という単語が含まれている → 迷惑メール確率-20%
送信者が知り合い → 迷惑メール確率-40%
最終的に確率が50%以上なら「迷惑メール」、50%未満なら「普通のメール」

長所：

理解しやすく、解釈が容易
計算が高速
確率として結果が出るため、「確信度」が分かる

短所：

複雑な関係性を捉えるのが困難
特徴量の準備が重要

■2. サポートベクターマシン（SVM）

SVM は、異なるクラスのデータを 最も適切に分離する境界線 を見つけるアルゴリズムです。

基本的な考え方： 2つのクラスのデータを分ける「境界線」を引く時、どちらのクラスからも 最も遠い位置 に境界線を引きます。これにより、新しいデータが来ても正確に分類できます。

たとえば、身長と体重で性別を分類する場合：

男性のデータと女性のデータの間に境界線を引く
この境界線から最も近い男性データと女性データとの距離が最大になるように調整
新しい人の身長・体重が分かれば、境界線のどちら側かで性別を予測

カーネル という技術を使うことで、直線では分離できない複雑なデータも扱えます。

長所：

高い精度を実現できる
少ないデータでも効果的
理論的に優れている

短所：

大量データの処理が苦手
パラメータ調整が複雑
結果の解釈が困難

■3. 決定木

決定木 は、人間の判断プロセスに最も近い、直感的に理解しやすいアルゴリズムです。

基本的な考え方：「もしも○○なら」という条件を階層的に組み合わせて、最終的な判断に至ります。

たとえば、ローン審査の決定木：

年収 >= 400万円？
├─ Yes → 勤続年数 >= 3年？
│   ├─ Yes → 承認
│   └─ No → 年齢 >= 30歳？
│       ├─ Yes → 承認
│       └─ No → 拒否
└─ No → 拒否

長所：

理解しやすく、説明しやすい
数値データもカテゴリデータも扱える
特徴量の前処理がほとんど不要

短所：

過学習しやすい（学習データに過度に適合）
不安定（データが少し変わると結果が大きく変わる）
複雑な関係性を表現するのが困難

実際の応用例

■スパムメール検出

問題設定：

入力：メールの内容、送信者情報、件名など
出力：「スパム」または「正常」

特徴量の例：

「無料」「お金」「緊急」などの単語の出現回数
メール本文の長さ
送信者が連絡先に登録されているか
添付ファイルの有無
HTML形式かテキスト形式か

使用されるアルゴリズム：主にロジスティック回帰やSVMが使用されます。Googleの Gmail では、何億通ものメールデータから学習した高精度なスパムフィルターが動作しています。

■医療画像診断

問題設定：

入力：X線画像、CT画像、MRI画像
出力：「正常」「異常」または具体的な病名

特徴量の例：

画像の明度、コントラスト
特定の形状やパターンの有無
過去の画像との比較
患者の年齢、性別、病歴

実際の成果：

皮膚がん検出：皮膚科医レベルの精度を実現
糖尿病性網膜症：眼科医による見落としを大幅に削減
新型コロナ肺炎：CT画像から感染の可能性を迅速に判定

■製造業の品質管理

問題設定：

入力：製品の画像、センサーデータ
出力：「良品」「不良品」

特徴量の例：

製品表面の傷、汚れ
寸法の測定値
重量、温度などのセンサーデータ
製造工程のパラメータ

導入効果：

検査時間の短縮：人間の検査員の10倍の速度
検査精度の向上：人間では発見困難な微細な欠陥も検出
24時間稼働：疲労による見落としがない

■金融与信審査

問題設定：

入力：申込者の属性情報、信用情報
出力：「承認」「拒否」

特徴量の例：

年収、勤続年数、職業
過去の借入・返済履歴
他社からの借入状況
年齢、家族構成
資産状況

注意点：公平性と透明性が重要で、性別、人種、宗教などによる差別は法的に禁止されています。また、なぜその判断をしたかの説明責任も求められます。

評価指標と精度測定

分類問題では、モデルの性能を適切に評価することが重要です。

■混同行列（Confusion Matrix）

混同行列 は、予測結果と実際の正解を整理した表です。二分類の場合：

                実際
             正  負
予測  正   TP  FP
      負   FN  TN

TP（True Positive）：正しく「正」と予測
TN（True Negative）：正しく「負」と予測
FP（False Positive）：間違って「正」と予測
FN（False Negative）：間違って「負」と予測

■基本的な評価指標

正解率（Accuracy）：全体のうち、正しく予測できた割合

正解率 = (TP + TN) / (TP + TN + FP + FN)

適合率（Precision）：「正」と予測したもののうち、実際に「正」だった割合

適合率 = TP / (TP + FP)

再現率（Recall）：実際に「正」のもののうち、正しく「正」と予測できた割合

再現率 = TP / (TP + FN)

F値（F-measure）：適合率と再現率の調和平均

F値 = 2 × (適合率 × 再現率) / (適合率 + 再現率)

■評価指標の使い分け

医療診断：

再現率重視：病気を見逃す（FN）のは危険
「疑わしいものは全て検査」という方針

スパムメール検出：

適合率重視：重要なメールを迷惑メール（FP）にするのは問題
「迷惑メールを少し見逃しても、重要メールは確実に届ける」

品質管理：

F値でバランス：不良品の流出も、良品の廃棄も問題

まとめ

教師あり学習の分類問題は、機械学習の最も基本的で実用的な応用の一つです。正解が分かっているデータから学習し、新しいデータに対して適切な分類を行うことで、様々な実世界の問題を解決できます。

分類問題の本質：

正解ラベル付きデータから学習
新しいデータのカテゴリを予測
確率的な判断によって分類

主要なアルゴリズム：

ロジスティック回帰：シンプルで解釈しやすい
SVM：高精度で理論的に優れている
決定木：直感的で説明しやすい

応用分野：

メール分類、医療診断、品質管理、与信審査など

評価の重要性：

正解率、適合率、再現率、F値で性能を測定
問題の性質に応じて適切な指標を選択

要するに、分類問題は「過去の経験から学んで、新しい状況で適切な判断を下す」という、人間の学習プロセスをコンピュータで再現した技術なのです。

次回は、同じ教師あり学習でも 回帰問題 とより高度な アンサンブル学習 について、具体的な手法とその応用を詳しく解説していきます。