教師なし機械学習とは？教師あり機械学習との違いや活用事例を紹介

機械学習は大きく「教師あり機械学習」「教師なし機械学習」「強化学習」の3つに分類されます。その中でも、教師なし機械学習はコンピュータ自体がモデルを作成する学習方法で、正解のないパターンを見つけ出すのを得意としています。では、教師なし機械学習とは一体どのような学習方法なのでしょうか？この記事では、教師なし機械学習の内容や特徴と、教師あり学習との違い、利用シーンなどの活用事例について紹介します。

▼更に機械学習について詳しく知るには？
【完全版】機械学習とは？解決できる課題から実例まで徹底解説

▼社内のデータをAI化するには？
ノーコードAIツールUMWELT紹介ページ（活用事例あり）

教師なし機械学習とは？

教師なし学習には、「教師なし」という名前の通り、教師あり学習のような正解データがありません。では正解データのない教師なし学習とは、一体どのような学習方法なのでしょうか？教師なし機械学習の特徴について紹介していきます。

1.教師なし機械学習の概要

教師なし機械学習とは、コンピュータ自体がクラスタリングとよばれる共通項をもつクラスタ分けを行いながら、頻出パターンを見つけ出していく学習方法です。機械学習において、繰り返し処理を行い目標のモデルに近づけていく作業を学習といいますが、コンピューターがこのモデル自体の作成を行うことを教師なし機械学習といいます。
教師なし機械学習のアルゴリズムには、データに内在するグループ分けを、データ間の類似度から見つけ出していくクラスタリングと、データの大部分を表すようなルールを見つけ出し、データ間の関連を発見していく手法であるアソシエーション分析などが挙げられます。利用シーンとしては、データの特徴を捉えるために使われることが多いです。最近では、ECサイトなどで使われるレコメンデーションなどによく活用されています。

2.教師なし機械学習の重要性

教師なし機械学習は、正解ラベルの付いていないデータから類似度や規則性に基いて分類することを目的としています。正解データを必要としないため、これまでにない未知のパターンを見つけることを可能としました。たとえば、これまで販売したことがない新製品のターゲット市場を決める際に適しています。

教師なし機械学習のメリット・デメリット

教師なし機械学習にはメリットだけでなく、デメリットもあります。そこで、次に教師なし機械学習のメリット、デメリットについて具体的に紹介していきます。

1.メリット

教師なし学習は、コンピュータ自らが学習し、自動的にマッピングするという特徴があります。そのため、一見相関関係がなさそうで、実は頻出パターンが似通っているものを見つけ出すなど、はっきりした正解がないパターンの特定を得意とするメリットがあります。

2.デメリット

教師なし学習は、教師あり学習のように、正解を与えて学習することができないというデメリットがあります。たとえば、メールを通常メール、迷惑メールに分類する際も、そのグループがなにを示すのかに対しての解釈が必要です。また、教師なし機械学習の手法を回帰、分類の問題に対して直接適用することはできません。

教師なし機械学習以外に知っておきたい手法

機械学習には、教師なし機械学習の他にも、教師あり機械学習、半教師あり機械学習、強化学習などの種類があります。では、教師なし機械学習以外の手法には、具体的にどのような種類があって、どんな特徴があるのでしょうか？ここからは、教師なし機械学習以外の手法について紹介していきます。

1.教師あり機械学習

教師あり学習とは、学習データに正解を与えた状態で学習させていく手法です。教師あり学習で解く問題には、連続する数値を予測する回帰と、あるデータがどのクラスに属するかを予測する分類があります。たとえば、平均気温や天候データ、お弁当の販売個数の関係を学習して今後の販売個数予測は回帰、新着メールが迷惑メールか否かを予測する方法が分類になります。

2.半教師あり機械学習

半教師あり機械学習とは、入力データが多く、一部のみ人間などの手によってラベル付けされる手法です。教師あり機械学習と教師なし機械学習の手法を組み合わせたものになります。正確なモデルを予測するためのラベル付きデータが充分にない場合、半教師あり手法を使用すると、トレーニングデータの規模を大きくすることが可能です。トレーニングデータが比較的少ない状況でもシステム構築ができる手法です。

3.強化学習

強化学習とは、システム自身が試行錯誤しながら最適なシステム制御を実現する手法です。学習データに正解がないものの、目的として設定された報酬（スコア）を最大化するための行動を学習します。利用シーンは、将棋や囲碁のゲームAIが打ち手を学習する時や、自動運転の状況判断などに活用されています。

4.深層強化学習

強化学習にディープラーニングを応用し、飛躍的な技術進展をもらたしたのが深層強化学習です。深層強化学習の到来によって、強化学習をベースに駆動するAIが社会に実装される契機となりました。

教師なし機械学習のアルゴリズム

教師なし機械学習のアルゴリズムには、さまざまな種類があります。では、教師なし機械学習のアルゴリズムの種類には、具体的にどのようなものがあるのでしょうか。以下からはアルゴリズムの種類別にそれぞれの特徴を紹介していきます。

1.主成分分析

主成分分析とは、多種類のデータを集約する手法で、集約されたデータでの表現を可能としています。利用シーンとしては、アンケートの評価結果から総合評価を導いていくといった活用法があります。

2.GAN（敵対的生成ネットワーク）

GANは、Generator（生成者）とDiscriminator（判定者）による、2つのネットワークが競合することで学習する手法です。Generatorが画像生成をし、Discriminatorはその画像が訓練データ、またはGeneratorが生成した画像かどうかを判定します。これが繰り返されることにより学習をしていきます。GANは画像生成を得意としており、新しい画像の生成、低画質の画像を変換して高画質にするといった画像生成を得意としています。また、音声生成というアプローチも可能です。ディープラーニングを補う技術としても注目されています。

3.アソシエーション分析

アソシエーション分析とは、データ間の関連を発見していく手法です。利用シーンとしては、売上施策を行った際にどの施策が一番売上に効果があったかを分析する活用方法があります。

4.クラスタリング

クラスタリングとは、データ間の類似度からデータをグループ分けしていく手法です。グループ分けは、階層的クラスタリングと非階層的クラスタリングの2つに分けられます。階層的クラスタリングは類似した組み合わせからまとめていく手法で、樹形図によって結果を見ることができます。ただし、計算量が多いためデータ量が多い場合は不向きとなります。非階層的クラスタリングはグループ数を決める必要があるものの、データ量が多い場合も対応できます。

5.自己組織化マップ（SOM）

自己組織化マップ（SOM）とは、教師なし機械学習の出力を利用したクラスタリングを表現したものです。さまざまな入力を与え続け、さらに繰り返していくことにより、学習データを視覚的に扱うことができるようになります。

6.ベクトル量子化

ベクトル量子化とは、入力ベクトルを最も近い代表的なベクトルで近似して量子化する手法で、複数のデータをまとめて符号化することを可能としています。主な利用シーンとしては、画像の圧縮などが挙げられます。

教師なし機械学習を用いた事例

教師なし機械学習は、世の中の多くの事業、医療や技術として活用されています。そこで、次に教師なし機械学習を用いた具体的な事例について紹介します。

1.画像認識

画像認識とは、画像のなかに写っている被写体が何かについて、コンピューターや機械などが識別する技術です。なお、Googleが2012年に発表したAIは、大量の画像を学習した上で人間の顔、猫の顔、人間の体の画像に強く反応するニューロン作成を可能としました。

2.人工歯のデザイン

カルフォルニア大学バークレー校と、歯科先端技術研究所Glidewell Dental Labは、共同で人工歯をデザインするGANを開発しています。GANによる人工歯と歯科医によって作られた人工歯を比較すると、GANによる人工歯のほうがより患者の噛みあわせに適していたという研究結果が出ています。

3.購買データの分析

教師なし機械学習は、自らが学習して自動的にマッピングすることを可能としています。そのため、スーパーマーケットの購買データから、平均購買年齢が高い商品、季節によって売り上げが増加する商品を自動的にマッピングするのを得意としています。例えば、「おむつとジュースが一緒に買われる場合が多い」など、相関関係が一見なさげではあるものの隠れた頻出パターンを見つけ出すことを得意としており、このようなクラスタはビックデータでの分析に使用されています。

4.自動車運転の開発

米スタートアップのHelm.aiでは、自動運転に関わる開発コストや時間を大幅に短縮するために、独自の数理モデルを適用した教師なし機械学習を活用し、効率的な自動運転向けソフトウェアの開発を進めています。同社によるこのプロジェクトは、第2回Tech.AD USAアワード2019の「AIと機械学習の最も革新的な使用」部門で高く評価されています。

機械学習を導入したいのであればTRYETINGの「UMWELT」がおすすめ

UMWELTとは、TRYETING（トライエッティング）が提供しているクラウド型AIのプラットフォームです。機械学習、最適化技術、タスク管理、API連携作業など、AI導入時の8割を占めるデータの前処理を簡単にできる機能を搭載しています。購買データ分析、人工歯のデザイン、画像認識などさまざまな事業、医療技術において機械学習の手法が活用され始めていますが、機械学習を実際に利用しようとすると、豊富なプログラミングや数学の知識が求められます。
しかしUMWELTは、誰でも簡単に機械学習作業が行えるように作られているため、難しい知識がなくても利用できるようになっています。そのため、まるでレゴブロックのように機能を組み合わせるだけで、簡単にAIを導入できるため、作業効率化に役立てることができます。UMWELTの利用料金は、クラウドを活用し導入コストを大幅に削減しているため、業界最低水準の低価格で使用することができます。プラットフォーム内には、常時100種類ものアルゴリズムが搭載されており、自由に組み合わせることで簡単に高度なアルゴリズムを構築することが可能です。

まとめ

教師なし機械学習は、教師あり機械学習のように正確データのないものを統計、分析することができます。そのため新製品のターゲット市場分析など、未知のパターンを見つける学習を得意としています。ただし、既存の消費者ベースについて理解を深める場合は、既存データの統計、分析を得意としている教師あり機械学習の手法が最適です。教師なし機械学習の技術は、業務効率化や正確さの追求、顧客満足度を高める目的などにより、近年ではさまざまな事業や医療などに活用されています。
教師なし機械学習を利用する際にはプログラミングや数学の知識が必要不可欠です。難しい知識がなくても教師なし機械学習を活用したい場合は、UMWELTのように機械学習作業を簡潔に利用できる便利なサービスを活用すると良いでしょう。

UMWELTのサービスページをチェックする

AI予測ツールUMWELT紹介ページ（活用事例あり）