教師あり学習とは何かを調べると「正解付きのデータで学ぶ方法」という一行の説明にはすぐたどり着きます。ただ、その「正解」が具体的に何を指すのか、どんな順番で学習が進むのか、自分の仕事のどこに関係するのかまでは、なかなか見えてきません。この記事では AWS の公式解説をもとに、教師あり学習の仕組みを分類と回帰という二つの型に分け、問い合わせの振り分けや費用の見積もりといった業務の題材で比べながら整理します。数式は使わず、言葉と具体例だけで読み切れるようにしました。
この記事で分かること
- 教師あり学習が何を正解として学び、何を予測できるようになるのか
- 分類と回帰の違いを、業務の題材で並べて比べる見方
- データを訓練用・テスト用・検証用に分けて進める手順
- 精度が出ないときに疑う原因と、その対策の考え方
要点
- 教師あり学習は、ラベル(正解)の付いたデータを必要とする機械学習の訓練方法。ラベルは入力ごとの望ましい出力を示す
- 目的は、学んだ内容を一般化して、未知の入力に対しても出力を予測できるようにすること
- モデルは大きく分類と回帰の二つに分けられる。分類はカテゴリーのラベルを予測し、回帰は気温や長さや費用のような連続した数値を出す
- 元のデータセットは訓練用・テスト用・検証用の三つに分けて使い、テスト用だけは出力を外して別に置く
- 結果が揺れる主な原因は、データの大きさと代表性、ラベル付けの手間、過学習と未学習、そして現実の変化によるずれ
教師あり学習とは何か
教師あり学習は、ラベル付きデータを必要とする機械学習(ML、データからパターンを学ぶ技術)の訓練方法です。ラベルとは、入力ごとの「望ましい出力」を示す札のことです。この札が付いているおかげで、モデルは入力を特定の出力へ対応づけることを学べます。「教師」という言葉は、人が教室で教えるという意味ではなく、あらかじめ用意された正解がお手本の役を果たす、という意味だと考えると理解しやすくなります。
ラベルは望ましい出力の見本
学習のゴールは、手元のデータの答えを覚えることではありません。モデルに一般化を教えて、未知の入力に対しても出力を予測できるようにすることが目的です。言い換えれば、過去の正解を暗記した状態ではなく、「こういう入力ならこういう出力になりやすい」という関係をつかんだ状態を目指します。訓練・テスト・検証を経たモデルは、新しく未知の入力に基づいて正確な出力を生み出すと説明されています。
与信審査の例で見る入力とラベル
AWS の解説では、与信(クレジット)の承認を予測する課題が例に挙げられています。このデータセットには、クレジットスコア・収入・雇用履歴といった特徴量(入力として使う項目)と、与信が承認されたか否認されたかを示すラベルが含まれます。モデルはこのデータから学び、観察されたパターンに基づいて、新しい申し込みの与信承認を予測します。
仕組みの面から見ると、既知の入力と出力のデータセットを使い、アルゴリズムが両者のあいだの数学的な関係を学ぶ、という流れになります。ここで大事なのはデータの質で、正確な結果を強い確信度で出すには、データセットがきれいで、現実のデータの多様性を捉えるのに十分な大きさであることが必要だとされています。業務に当てはめると、「過去の記録が残っていて、その記録に結果が書き込まれているか」が最初の分かれ目になります。
教師なし学習と半教師あり学習との違い
教師あり学習は、対応するラベル付きの出力データを伴う入力データを必要とします。これに対して教師なし学習は、特定の出力を持たない入力データで学習し、データの中やデータ間のパターンと関係をモデル自身が見つけます。半教師あり学習は両方の手法を組み合わせたもので、少量のすでにラベル付けされたデータと、出力が定義されていない大きな未ラベルのデータセットを使います。半教師あり学習のモデルは、先に未ラベルのデータセットで訓練し、次にラベル付きのデータセットを使って出力のモデリングをさらに精緻化すると説明されています。
| 比べる点 | 教師あり学習 | 教師なし学習 | 半教師あり学習 |
|---|---|---|---|
| 必要なデータ | 対応するラベル付き出力を伴う入力データ | 特定の出力を持たない入力データ | 少量のラベル付きデータと、より大きな未ラベルのデータセット |
| 学ぶこと | 入力を特定の出力へ対応づける | データの中やデータ間のパターンと関係を見つける | 先に未ラベルのデータで学習し、次にラベル付きデータで出力のモデリングをさらに精緻化する |
| 代表的なモデル | 分類と回帰の二つのカテゴリーに大別される | クラスタリング・アソシエーションルール学習・確率密度 | 公式ページで確認 |
分類と回帰を業務の題材で比べる
ラベル付きデータで訓練する必要があるモデルは、大きく分類と回帰の二つのカテゴリーに分けられます。この二つの違いが分かると、「自分の業務のこの悩みは、どちらの型の問題なのか」を言葉にできるようになります。
分類はカテゴリーを当てる
分類に関する手法は、入力データを特定のカテゴリーに割り当てることで、カテゴリーのラベルを予測します。公式解説で挙げられている例は、あるメールが迷惑メール(spam)かそうでないかの判定です。業務の感覚に近づけると、受け取った一件を「どの箱に入れるか」を決める仕事だと言えます。
分類はさらに細かく分かれます。二値分類(binary classification)は、個体の属性に基づいて、あらかじめ決められた互いに排他的な二つのクラスのどちらかに割り当てる手法です。診断検査の結果から、ある人が病気であるかないかを判定する医療診断が、二値分類の例として示されています。多クラス分類(multiclass classification)は、属性に基づいていくつかのクラスのうちの一つに割り当てる手法で、文書に最も関連する話題を予測することが例に挙げられます。文書は宗教・政治・金融のいずれか、またはあらかじめ決められた他の話題クラスの一つに分類されることがあります。
回帰は数値を出す
回帰のモデルやアルゴリズムは、カテゴリーではなく連続した数値の出力を生み出します。公式解説で挙げられている例は、気温・長さ・費用です。単一出力の回帰と多出力の回帰の両方に、教師あり学習のモデルがあります。業務の感覚では、「いくらになりそうか」「何件になりそうか」「何日かかりそうか」といった、目盛りの上の値を答える仕事が回帰に当たります。
分類と回帰の違いを並べる
次の表は、公式解説に書かれている内容だけを並べたものです。
| 比べる点 | 分類 | 回帰 |
|---|---|---|
| 出すもの | カテゴリーのラベルを予測し、入力データを特定のカテゴリーに割り当てる | カテゴリーではなく連続した数値の出力を生み出す |
| 出典に挙がる例 | メールが迷惑メールかそうでないか、病気であるかないか、文書に最も関連する話題 | 気温・長さ・費用 |
| 出典に挙がるモデル | 二値分類・多クラス分類・ロジスティック回帰・決定木・ランダムフォレスト・サポートベクターマシン | 線形回帰・多項式回帰・決定木・ニューラルネットワーク |
| 出力の数 | 公式ページで確認 | 単一出力の回帰と多出力の回帰の両方にモデルがある |
業務の問いをどちらに置き換えるか
ここからは、出典の事実をもとにした使い分けの考え方(目安)です。実際にどの型が合うかは扱うデータによって変わるので、あくまで整理のための見取り図として読んでください。
| 業務での問い | 近いのはどちらか | そう考える理由(目安) |
|---|---|---|
| 届いた問い合わせを見積もり依頼・クレーム・その他に振り分けたい | 分類 | 答えが互いに重ならない区分のどれかになるため、多クラス分類の考え方に近い |
| 申込内容から審査に通りそうか見当をつけたい | 分類 | 承認か否認かの二つに分かれる形で、出典の与信承認の例に近い |
| 来月の受注金額の合計を見積もりたい | 回帰 | 答えが金額という連続した数値になるため、費用の予測に近い |
| 作業の所要時間を事前に見積もりたい | 回帰 | 答えが時間という目盛りの上の値になる |
| 報告書をテーマ別に自動で棚分けしたい | 分類 | 文書に最も関連する話題を予測する例に近い |
代表的なモデルの名前と性格
名前だけでも知っておくと、社内の資料や外部の提案を読むときに迷いが減ります。ロジスティック回帰は、入力データが特定の分類に属する可能性(likelihood)を判定するもので、二値でも多クラスでも使われます。決定木は if-then-else の構造に基づくモデルで、公式解説では「期日どおりに支払ってきた履歴と複数の照会先がある人は、通知をしてから退去する可能性も高い」という形の例が示されています。ランダムフォレストは複数の決定木を使い、単一の決定木に基づくモデルより正確な結果に到達します。サポートベクターマシンは、典型的なロジスティック回帰のデータの広がりに当てはまらない分類データを、より正確に当てはめる方法で、データセットをより高い次元に変換してから処理します。
回帰の側では、線形回帰が直線でデータに当てはめる方法で、最も単純で基礎的な機械学習アルゴリズムの一つとされています。多項式回帰は名前のとおり、データを多項式の曲線に当てはめます。決定木は分類の課題にも使えますが、回帰の課題にも適用できます。ニューラルネットワークは多出力の回帰の課題によく使われる機械学習アルゴリズムで、隠れ層のノードがこうした複雑な関係のモデリングに適しているとされています。
データの分け方と学習の手順
データは三つに分ける
教師あり学習の元のデータセットは、一つ以上の入力と、それに対応する一つ以上の出力を持つデータ点の集まりです。この元のデータセットは、訓練データ・テストデータ・検証データという三つの別々の集合に分けられます。訓練データと検証データでは、各データ点に入力があり、元の出力がラベルとして併記されています。テストデータは出力が取り外され、別に置かれます。テストのときに正解が見えていては、当たったかどうかを確かめられないからです。
学習の手順
公式解説に書かれている手順は、次の流れです。
- データサイエンティストが、使う教師あり機械学習モデルを選んで設定する
- そのモデルに訓練データセットを与える
- モデルがデータセットを処理し、与えられた入力とラベル付きの出力のあいだの関係を数学的に計算する
- 次に、テストデータセットを入力として与え、訓練済みモデルの出力が元のラベル付きの出力と一致するかを確認する
- 検証データセットを使って別の訓練済みモデルを作り、二つの教師あり機械学習アルゴリズムの結果をテストデータで比較する
この手順を読むと、教師あり学習が「一度学習させて終わり」ではなく、作る・確かめる・比べるを回す作業だと分かります。なお、モデルやアルゴリズムは、まず課題に関連するデータセットで訓練されなければなりません。目的に合わないデータを集めてしまうと、どれだけ手順を丁寧に踏んでも望む答えには近づきません。
ラベル付きデータをどう用意するか
ラベル付きのデータセットは、多くのウェブサイトで無料または購入により入手できます。組織が人を雇ってデータにラベルを付けることもできます。クラウドの側にも仕組みがあり、Amazon SageMaker は、あらゆるユースケースについてデータを準備し、教師あり機械学習モデルの構築・訓練・デプロイを、フルマネージドのインフラ・ツール・ワークフローで行うフルマネージドサービスだと説明されています。分類と回帰のどちらにも使える組み込みの教師あり学習アルゴリズムが複数提供され、例として、勾配ブースティング木のアルゴリズムを実装し効率とスケーラビリティを高める二つの新しい技術を加えた LightGBM や、再帰型ニューラルネットワーク(RNN)を用いてスカラー(一次元)の時系列を予測する教師あり学習アルゴリズムの DeepAR Forecasting Algorithm が挙げられています。
ほかにも、モデルをアンサンブルして複数の層に積み重ねることで成果を上げるオープンソースの AutoML フレームワーク AutoGluon-Tabular、高次元の疎なデータセットの中の特徴量間の相互作用を経済的に捉えるよう設計された線形モデルの拡張である Factorization Machines Algorithm、特徴量エンジニアリング向けの新しく高度にカスタマイズ可能な多目的アルゴリズムである Object2Vec Algorithm が例示されています。名前を全部覚える必要はありませんが、「同じ教師あり学習の枠の中に、表形式のデータ向け・時系列向け・特徴量作り向けと役割の違うものが並んでいる」と分かると、提案書を読むときの見通しが良くなります。また Amazon SageMaker Ground Truth では、ラベル付けのジョブを設定し、人間のラベラーを選び、教師あり機械学習の課題向けに自分のデータセットを作成できます。料金や提供条件は変わることがあるため、実際に使う前に公式ページで最新の内容を確かめてください。
そのまま使えるプロンプト例
ここからは学びを進めるための例です。手元の対話型 AI に貼り付けて、自分の業務の言葉に置き換えながら理解を確かめる使い方が考えられます。出力された内容が事実として正しいかは、公式の資料で確かめてから使うとよいでしょう。
あなたは機械学習の入門を教える講師です。
前提:私は営業事務の担当で、プログラミングの経験はありません。
やりたいこと:下に書く業務の問いが「カテゴリーを当てる分類」なのか
「連続した数値を出す回帰」なのか、どちらに近いかを整理したいです。
業務の問い:
1. 新しい問い合わせメールを、見積もり依頼・クレーム・その他に振り分けたい
2. 来月の受注金額の合計を見積もりたい
出力の形:問いごとに「分類と回帰のどちらに近いか」「入力として使えそうな項目」
「ラベル(正解)として何を用意するか」の3点を表で短く示してください。
あなたはデータ活用の相談相手です。
前提:手元に過去2年分の問い合わせ記録(本文・受付日・担当者・対応結果)があります。
やりたいこと:この記録に正解のラベルを付けて、分類の練習用データにしたいです。
出力の形:
1. ラベルの候補を3〜5種類(互いに重ならない区分にする)
2. 区分の判定に迷いそうな例と、迷ったときの決め方のメモ
3. ラベル付けを人に依頼するときの指示文の下書き(200字以内)
専門用語には初出でひとこと説明を付けてください。
あなたは機械学習の学習パートナーです。
前提:社内の勉強会で、練習用データを使って予測モデルを作りました。
訓練データではよく当たるのに、別のデータでは当たりません。
やりたいこと:原因の候補を「データの量と代表性」「訓練データに合わせすぎている」
「モデルが単純すぎる」「現実の変化」の4つの観点に分け、確認する順番を決めたいです。
出力の形:観点ごとに「疑う理由」「次に確認すること」を1文ずつ。
最後に、確認する順番を番号つきで示してください。
あなたは社内向け研修資料を作る編集者です。
前提:読み手は非エンジニアの管理職10名。説明枠は15分です。
やりたいこと:「教師あり学習」「ラベル」「分類」「回帰」「過学習」の5語を、
私たちの業務(請求書処理と受注予測)の言葉に置き換えて説明したいです。
出力の形:用語ごとに「1行の定義」「自社業務での言い換え」「よくある誤解」。
専門用語を使うときは、そのつど短い言い換えを添えてください。
よくある失敗と対策
教師あり学習でつまずく箇所は、公式解説が挙げる課題とほぼ重なります。
データが小さく偏っている
課題によっては、大きく代表性のあるデータセットを見つけること、または作ることが難しい場合があります。データセットが大きく代表的であるほど、教師あり学習の結果は正確になり、結果のバイアス(偏り)は小さくなります。公式解説では、ある一つの人種で訓練された顔認識の課題は、他の集団の顔を正確に認識できないという例が示されています。対策の考え方としては、精度の数字を見る前に「このデータは、実際に使う場面の広がりを映しているか」を確かめる手順を先に置くことが挙げられます。
ラベル付けの手間を軽く見ている
データセットがまだラベル付けされていない場合や、未ラベルのデータが多い場合、この作業はラベル付けの複雑さとデータセットの大きさに応じて、相当な時間がかかることがあります。人によるラベル付けの作業は、特定の領域の専門知識を必要とすることがあり、その人材を確保するのが難しい場合もあります。社内で始めるなら、最初に小さな範囲でラベル付けを試し、一件あたりにかかる時間と迷いやすい境目を洗い出しておくと、全体の見積もりが現実的になります。
訓練データに合わせすぎる・単純すぎる
教師あり学習の出力品質は、過学習(overfitting)と未学習(underfitting)によって安定しないことがあります。過学習は、モデルが訓練データのパターンに従いすぎて、新しいデータでは一貫しない結果を出す状態です。未学習は、データに対して単純すぎるモデルを使った場合に起こり、こちらも不正確さを生みます。公式解説は、現実世界のデータの多くは線形回帰のモデルには当てはまらないと述べています。対策の考え方としては、訓練データでの成績だけを見るのではなく、出力を外して別に置いたテストデータでの結果と併せて確かめる手順にしておくと、思い込みへの歯止めになります。
一度作れば終わりだと考えている
現実世界の変化によって、ラベルがもはや正確でなくなることがあります。公式解説では、信用力を予測するモデルで、訓練に使った経済指標や個人の雇用状況が、景気の後退や好況によって大きく変わりうる例が示されています。データが少しずれただけでも、元のデータセットと教師あり学習の訓練がもう当てはまらなくなることがあり、結果の正確さを保つにはモデルの微調整(ファインチューニング)や再訓練が必要になります。運用に乗せるなら、作る計画と同時に、見直す間隔を決めておく考え方が役立ちます。
用途に合わないモデルを選ぶ
手元の課題に対して適切な教師あり学習のモデルを選ぶことも重要です。ユースケースによっては、より正確で費用効率の良いアルゴリズムがあります。より基本的なモデルは、短い時間と少ない投資で作成・訓練・実行できますが、より複雑なモデルは設定の手間がかかり、各段階での費用も大きくなります。小さく試して、必要になってから重いモデルを検討する順番が、現実的な進め方として考えられます。
職種別の使い方
ここでの内容は、出典の事実をもとにした例です。実際に取り組むかどうかは、扱うデータと社内のルールに合わせて判断してください。
営業
受注金額や件数の見込みを立てる仕事は、連続した数値を出す回帰の考え方に近いです。まずは数値そのものを当てようとするのではなく、「入力として使える項目は何か」を棚卸しするところから始めるとよいでしょう。与信承認の例では、クレジットスコア・収入・雇用履歴といった特徴量が入力に使われていました。自社なら、商談の件数や期間、過去の取引の履歴などが候補になります。時系列の予測に触れるなら、スカラー(一次元)の時系列を予測するアルゴリズムが用意されていることを知っておくと、社内で相談するときの言葉が増えます。
事務・バックオフィス
届いた書類やメールを区分に振り分ける仕事は、カテゴリーのラベルを予測する分類の考え方に近いです。分類で大切なのは、区分が互いに排他的に決まっていることです。二値分類は、あらかじめ決められた互いに排他的な二つのクラスのどちらかに割り当てる手法だと説明されています。日々の処理で「どちらにも入りそう」と迷う案件が多いなら、区分そのものの定義を見直す合図だと考えられます。
企画
社内に蓄えた文書を話題別に整理したい場面は、文書に最も関連する話題を予測する多クラス分類の例に近い課題です。公式解説でも、文書が宗教・政治・金融のいずれか、またはあらかじめ決められた他の話題クラスの一つに分類されることがあると説明されています。企画の立場では、モデルを作る前に「どんなラベルの体系なら意思決定に使えるか」を決める役割を担えます。ラベルの設計は後から変えると全データのやり直しにつながるため、最初に小さく試す価値があります。
よくある質問
教師あり学習と教師なし学習はどちらを選べばよいですか
扱うデータと目的が違うため、優劣ではなく役割で考えます。教師あり学習は、対応するラベル付きの出力データを伴う入力データを必要とします。一方、教師なし学習のモデルは特定の出力を持たない入力データで訓練し、データの中やデータ間のパターンと関係を見つけます。手元の記録に結果が書き込まれているかどうかが、最初の判断材料になります。
ラベル付きのデータはどこで手に入りますか
ラベル付きのデータセットは、多くのウェブサイトで無料または購入により入手できます。組織が人を雇ってデータにラベルを付けることもできます。クラウドでは、Amazon SageMaker Ground Truth でラベル付けのジョブを設定し、人間のラベラーを選び、教師あり機械学習の課題向けに自分のデータセットを作成できると説明されています。
ロジスティック回帰は回帰なのに分類なのですか
名前に回帰が入りますが、公式解説では分類のカテゴリーの中で説明されています。ロジスティック回帰は、入力データが特定の分類に属する可能性を判定するもので、二値(はい・いいえ)でも多クラス(りんご・オレンジ・なし)でも使われます。名前ではなく、何を出力するかで分類と回帰を見分けると混乱しにくくなります。
過学習とは何ですか
過学習は、モデルが訓練データのパターンに従いすぎて、新しいデータでは一貫しない結果を出す状態です。反対に未学習は、データに対して単純すぎるモデルを使った場合に起こり、これも不正確さを生みます。どちらも出力品質が安定しない原因として挙げられており、テストデータでの確認が見極めの手がかりになります。
データはどのくらいの量が必要ですか
必要な量は課題や扱うデータによって変わりますが、方向は公式解説に示されています。正確な結果を強い確信度で出すには、データセットがきれいで、現実のデータの多様性を捉えるのに十分な大きさであることが求められます。また、データセットが大きく代表的であるほど、結果は正確になり、バイアスは小さくなるとされています。
ニューラルネットワークも教師あり学習に含まれますか
ニューラルネットワークは、多出力の回帰の課題によく使われる機械学習アルゴリズムとして、回帰のモデルの一つに挙げられています。隠れ層のノードが、こうした複雑な関係のモデリングに適しているとされています。生成AIや大規模言語モデルとの関係を広く知りたい場合は、この記事の後半にある関連記事も合わせて読むと全体像がつかみやすくなります。
会社やチームで使うなら
教師あり学習を業務に持ち込むときの出発点は、技術ではなくデータの棚卸しです。過去の記録に結果が書き込まれているか、区分が互いに排他的に決まっているか、ラベル付けを誰がどれだけの時間で行えるか。この三点が決まれば、分類と回帰のどちらの型で考えるべきかも自然に見えてきます。そして現実の変化でラベルが正確でなくなることがあるため、作ったあとに見直す担当と間隔を決めておく運用も大切になります。法人で導入や研修を検討するなら、法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)の株式会社デジライズに相談できます。
あわせて読みたい
まとめ
教師あり学習は、ラベル付きデータを必要とする機械学習の訓練方法で、ラベルは入力ごとの望ましい出力を示します。モデルは大きく分類と回帰に分かれ、分類はカテゴリーのラベルを予測し、回帰は気温や長さや費用のような連続した数値を出します。元のデータを訓練用・テスト用・検証用に分けて作る・確かめる・比べるという手順を踏み、データの代表性や過学習、現実の変化によるずれに目を配ることが精度につながります。体系的に学び直したい方は、デジライズAIスクールのコース一覧や料金プランから、自分の仕事に近い「営業・企画・提案職のAI活用全体図」などを探してみてください。
出典
この記事は、各社の公式のヘルプ・ドキュメントや公的機関の資料をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。料金や機能は変わることがあるため、使う前に公式ページで最新の情報を確かめてください(2026年11月16日時点)。
