【図解】教師あり学習と教師なし学習の違い｜3分類を3分で理解

今回は、ITパスポートと基本情報技術者試験の新しいシラバスで追加され、出題が増えているAI分野から、「教師あり学習」と「教師なし学習」の違いを解説していきます。

「クラスタリングと分類、どっちがどっちか毎回迷う」
「手法名を覚えたのに、翌日には混ざっている」

AI分野は用語が一気に増えるので、こういった声をよく聞きます。
でも、判断の軸はたった1つだけ。3分で完了するので、サクッといきましょう。

---

1. 機械学習とは?｜AI・ディープラーニングとの関係

---

3つの言葉は入れ子になっている

本題に入る前に、混ざりやすい3つの言葉の関係だけ整理しておきましょう。

「AI（人工知能）がいちばん外側の広い言葉で、その中に機械学習があり、さらにその中にディープラーニング（深層学習）がある」という入れ子の関係です。

機械学習とは、「大量のデータからコンピュータ自身がルールやパターンを見つけ出す仕組み」のこと。人間が「こういう条件ならこう処理する」とルールを書き下すのではなく、データを与えて学習させる点が特徴です。

ディープラーニングは、その機械学習の手法のひとつで、人間の神経回路をまねた構造を何層にも重ねたもの。画像認識や音声認識で成果を出している技術です。

---

機械学習は「学習のさせ方」で3つに分かれる

その機械学習は、どうやって学習させるかによって3つに分類されます。

それが「教師あり学習・教師なし学習・強化学習」の3つです。試験ではこの3つを並べて出題されるので、まずは主役の2つ——教師あり学習と教師なし学習——の違いから固めていきましょう。

---

2.教師あり学習と教師なし学習の違いは「正解データの有無」

ここがこの記事でいちばん大事なところです。ほかを忘れてもここだけ覚えて帰ってください。

---

教師あり学習＝正解ラベル付きのデータで学ぶ

教師あり学習とは、あらかじめ正解（ラベル）が付けられたデータを使って学習させる方法です。

猫と犬を見分けるAIを作りたいとします。このとき、大量の画像に「これは猫」「これは犬」と人間が正解を付けてから読み込ませます。機械は自分の答えと正解を照らし合わせ、間違っていれば内部の判断基準を修正する。これを繰り返して精度を上げていきます。

名前の「教師」は、この正解ラベルのこと。答えを教えてくれる存在がいるから「教師あり」というわけですね。

---

教師なし学習＝正解がないデータから構造を見つける

いっぽう教師なし学習は、正解ラベルが付いていないデータから、機械が自力でデータの構造や規則性を見つけ出す方法です。

同じ画像の例でいえば、「これは猫」「これは犬」を一切教えずに、大量の画像だけを渡します。すると機械は、色や形といった特徴が似ているもの同士を勝手にまとめて、いくつかのグループを作ります。

ここで注意したいのが、機械は「グループ1」「グループ2」と分けるだけで、それが猫なのか犬なのかは言ってくれないという点。正解を教えていないのだから当然ですね。この性質は後ほどもう一度触れます。

---

【図解】判断の軸は「正解データがあるか」だけ

2つの流れを図で並べて確認しましょう。

問題文に「あらかじめ分類された」「正解が与えられた」「既知の結果をもとに」といった表現があれば教師あり学習、「未知の」「あらかじめ分類されていない」「傾向を見つけ出す」とあれば教師なし学習。正解データの有無を探す癖をつけると、迷いが一気に減ります。

---

3. 教師あり学習を詳しく｜回帰と分類の2種類

教師あり学習は、さらに回帰と分類の2つに分かれます。試験ではこの区別もよく問われます。

---

回帰：連続する数値を予測する

回帰は、連続した数値を予測するタイプです。

過去の売上データと気温・曜日・天気の記録を学習させて、「来週の水曜日の売上は約48万円」と予測する。これが回帰です。ほかにも、株価予測、明日の気温の予測、不動産価格の査定などが該当します。

答えが「48万円」「27.3度」のように数値の目盛りの上のどこかに来るのが特徴ですね。

---

分類：どのカテゴリに属するかを判定する

分類は、あらかじめ決められたカテゴリのどれに当てはまるかを判定するタイプです。

受信したメールを「迷惑メール」か「通常メール」かに振り分けるスパム判定。画像を見て「猫」「犬」「鳥」のどれかを答える画像認識。健康診断のデータから「陽性」「陰性」を判定する仕組みも分類にあたります。

答えがあらかじめ用意された選択肢のどれかになるのが特徴です。

---

「回帰」と「分類」は出力の形で見分ける

僕が初学者に説明する時は以下のような伝え方をしています。

「回帰は数字を扱い、分類は文字を扱う」と覚えてしまう方が結構多い印象です。実際は出力が連続値か、決められたカテゴリかという違いなので、たとえば商品を「クラス1」「クラス2」「クラス3」と数字のラベルで判定する場合も、選択肢が決まっていれば分類です。入力ではなく出力の形を見る、と覚えておきましょう。

---

4. 教師なし学習を詳しく｜クラスタリングと次元削減

教師なし学習の代表的な手法はクラスタリングと次元削減の2つです。

---

クラスタリング：似たもの同士をグループに分ける

クラスタリングは、特徴の似ているデータ同士を自動的にグループ（クラスタ）にまとめる手法です。

ECサイトの購買履歴を渡すと、「高額商品をたまに買う層」「低単価商品を頻繁に買う層」「セール時だけ買う層」といったまとまりが浮かび上がる。これが顧客セグメントの分析です。

大事なのは、どんなグループに分けるかを人間が指定していないこと。データの中にもともとあった構造を、機械が見つけ出しているわけですね。

---

次元削減：情報を圧縮して扱いやすくする

次元削減は、データが持つ項目（次元）の数を、重要な情報をできるだけ保ったまま減らす手法です。

アンケートに50個の設問があったとして、実はその回答が「価格志向」「品質志向」といった数個の軸でほぼ説明できる、という場合があります。50項目を数項目に圧縮すれば、グラフにして人間が読み取れるようになり、後続の処理も軽くなります。

試験では「主成分分析」という代表的な手法名とセットで出てくることがあります。

---

正解がないぶん、解釈は人間の仕事

教師なし学習には、覚えておきたい性質があります。正解がないので、結果が正しいかどうかを機械は判定できないという点です。

クラスタリングが3つのグループを作ってくれても、それが「優良顧客」「新規顧客」「離反予備軍」なのかを意味づけするのは人間の仕事。教師あり学習のように「正解率95%」と成績を出せない、という違いにつながります。

---

分類とクラスタリングを混同しないコツ

僕が初学者に説明する時は以下のような伝え方をしています。

「分類もクラスタリングも、グループ分けだから同じでは?」という混同は本当に多いです。

決定的に違うのはグループ（ラベル）を先に人間が決めているかどうか。

分類は「猫・犬・鳥」という箱が最初からあり、クラスタリングは箱そのものを機械が作ります。どちらも結果は「グループ分け」に見えるので、出来上がりではなく、始める前にラベルがあったかで判断すると間違えません。

---

5. 強化学習を加えた機械学習3分類【図解＋比較表】

---

強化学習：試行錯誤しながら報酬を最大化する

3つ目の分類が強化学習です。これは行動の結果に対して与えられる報酬を手がかりに、報酬が最大になる行動を試行錯誤しながら学ぶ方法です。

囲碁や将棋のAIが代表例。「この手を打ったら勝った（報酬プラス）」「この手は負けにつながった（報酬マイナス）」という結果を積み重ねて、勝ちやすい打ち方を身につけていきます。ロボットの歩行制御や自動運転の判断にも使われます。

教師あり学習との違いは、一手ごとの正解は与えられないところ。良し悪しの信号だけを頼りに、自分で行動を調整していくのが強化学習です。

---

3分類を表と図で整理する

表でも押さえておきましょう。

項目	教師あり学習	教師なし学習	強化学習
学習データ	正解ラベル付き	ラベルなし	報酬（良し悪しの信号）
目的	正解を予測できるようになる	データの構造を見つける	報酬が最大になる行動を学ぶ
代表手法	回帰／分類	クラスタリング／次元削減	Q学習 など
代表例	売上予測、スパム判定、画像認識	顧客セグメント分け、異常検知	囲碁・将棋AI、ロボット制御
成績の測り方	正解率などで評価できる	人間が結果を解釈する	得られた報酬の合計で評価

なお、正解ラベル付きデータと正解なしデータを組み合わせる半教師あり学習という考え方もありますが、試験対策としては3分類を押さえておけば十分です。

---

試験の典型パターン｜手法名はどちらに属する?

出題でいちばん多いのが、手法名を挙げて「これはどの学習に属するか」を問う形です。ここだけは対応表で押さえてしまいましょう。

手法・キーワード	属する分類	判断の理由
回帰	教師あり学習	正解の数値を学習して予測する
分類	教師あり学習	正解のカテゴリを学習して判定する
クラスタリング	教師なし学習	ラベルなしで似たもの同士をまとめる
次元削減（主成分分析）	教師なし学習	ラベルなしで情報を圧縮する
報酬・試行錯誤	強化学習	報酬を手がかりに行動を学ぶ

---

よくある誤解パターン3つ

最後に、つまずきやすいポイントを整理しておきます。

とくに誤解②は要注意です。ディープラーニングは学習の手法（どんな仕組みで学ぶか）の話で、教師あり／教師なし／強化学習は学習のさせ方（何を手がかりに学ぶか）の話。別々の軸なので並べて比べるものではありません。ディープラーニングは3分類のどれとも組み合わせて使われます。

手法名を単語カードで丸暗記すると、こうした軸の違いごと混ざってしまいます。「正解ラベルがあるか」という仕組みから理解しておくと、初見の手法名が出ても分類できるようになりますね。

【初心者向け】IT資格は暗記じゃない。丸暗記をやめて「仕組みで理解する勉強法」

ITパスポートや基本情報を勉強していて、 「覚えることが多すぎる…」 「暗記してもすぐ忘れる…」 「用語がごちゃごちゃになる…」 こんな悩み、ありませんか？ 実はその原因は「記憶力」ではありません。勉 ...

続きを見る

---

6. 試験対策｜練習問題で確認しよう

以下は、IPA試験の出題傾向を踏まえて作成したオリジナルの練習問題です(IPA公式の問題そのものではありません)。本番形式に慣れるための練習として活用してください。実際の問題はIPA公式サイトで公開されています。

---

練習問題①（ITパスポートレベル）

（問題） 教師あり学習の説明として、最も適切なものはどれか。
ア．行動に対して与えられる報酬をもとに、報酬が最大になる行動を試行錯誤しながら学習する。
イ．正解ラベルが付与されたデータを用いて学習し、未知のデータに対する予測を行う。
ウ．正解ラベルのないデータから、特徴が似ているもの同士をグループにまとめる。
エ．データの項目数を、情報をできるだけ保ったまま減らす。

👉 正解を見る

正解：イ（正解ラベル付きデータで学習し、未知のデータを予測する）
解説：「正解ラベルが付与された」がキーワードです。アは報酬をもとに学習しているので強化学習、ウは正解ラベルなしでグループ化しているのでクラスタリング（教師なし学習）、エは次元削減（教師なし学習）の説明です。ウとエはどちらも教師なし学習の手法なので、「正解ラベルの有無」で切ればまとめて外せます。

---

練習問題②（基本情報レベル）

（問題） 小売業のA社が、顧客の購買履歴データを分析することにした。事前にどのような顧客層があるかは分かっていないが、購買傾向が似ている顧客同士をまとめ、その結果を見てから顧客層の特徴を解釈したいと考えている。この目的に用いる手法として、最も適切なものはどれか。
ア．回帰　イ．クラスタリング　ウ．強化学習　エ．分類

👉 正解を見る

正解：イ（クラスタリング）
解説：「事前にどのような顧客層があるかは分かっていない」＝正解ラベルがない、「まとめてから解釈する」＝グループ分けの結果を人間が意味づけする。この2点からクラスタリング（教師なし学習）と判断できます。エの分類は、あらかじめ用意されたカテゴリに振り分ける教師あり学習の手法なので、顧客層が事前に分かっていない本問では使えません。アの回帰は連続値の予測、ウの強化学習は報酬をもとにした行動の学習で、いずれも目的が異なります。分類とクラスタリングのどちらかを選ばせる問題は頻出なので、問題文に「あらかじめ決められた区分」があるかを必ず探しましょう。

---

練習問題③（混同しやすいポイント）

（問題） 機械学習の分類と、その代表的な用途の組合せとして、最も適切なものはどれか。
ア．教師あり学習：囲碁AIの打ち手の上達　教師なし学習：過去の実績からの売上予測　強化学習：顧客のグループ分け
イ．教師あり学習：過去の実績からの売上予測　教師なし学習：顧客のグループ分け　強化学習：囲碁AIの打ち手の上達
ウ．教師あり学習：顧客のグループ分け　教師なし学習：囲碁AIの打ち手の上達　強化学習：過去の実績からの売上予測
エ．教師あり学習：過去の実績からの売上予測　教師なし学習：囲碁AIの打ち手の上達　強化学習：顧客のグループ分け

👉 正解を見る

正解：イ
解説：売上予測は過去の売上という正解データを使うので教師あり学習（回帰）、顧客のグループ分けは正解ラベルなしのクラスタリングで教師なし学習、囲碁AIは勝敗という報酬から学ぶので強化学習です。この形式は3つすべてが正しく並んだ選択肢を選ぶ必要があるため、確実に分かる1つを軸にして消していくのが解き方のコツ。たとえば「囲碁AI＝強化学習」だけ先に確定させれば、囲碁AIを強化学習に置いているのはイだけなので、ほかを検討せずに絞り込めます。

---

7. 実務ではどう使われている?

試験対策だけでなく、現場でも当たり前に登場する区別です。

教師あり学習は、正解データが蓄積されている業務と相性が良く、需要予測や在庫の発注量算出、問い合わせメールの自動振り分け、製造ラインでの不良品判定などに使われます。過去の実績が「正解」としてそのまま使えるため、導入のハードルが比較的低い領域ですね。

教師なし学習は、正解を用意できない場面で活きます。代表例が異常検知で、「普段と違う通信」「いつもと違うセンサ値」を、正常時のデータの構造から外れたものとして検出します。マーケティングの顧客セグメント分けやレコメンド機能の裏側でも動いています。

正解を用意するコストが高い場面ほど教師なし学習の出番、と考えると使い分けのイメージがつかみやすいはずです。

---

8. まとめ｜一言で覚えるポイント

ITパスポートや基本情報の試験では、手法名がどの分類に属するかを問う出題が定番です。

「正解データが与えられているかを確認する」

この一手順を挟むだけで、初見の手法名が出ても落ち着いて判断できます。余力があれば、ディープラーニングが3分類とは別の軸である点まで押さえておくと、応用問題でも崩れません。

それではまた！