Unsupervised Learning

教師なし学習は、人間の介入なしに、タグ付けされていないデータからアルゴリズムがパターンを学習する機械学習の一種です。モデルのトレーニングにラベル付きの入力と出力のペアを使用する教師あり学習とは異なり、教師なし学習では過去のラベルがないデータを扱います。システムは基本的に、入力データ内に隠れた構造、パターン、関係性を発見することで、自ら学習しようとします。このアプローチは、画像、動画、テキスト、センサーログなど、現在生成されるデータの大部分が構造化されておらず、ラベルも付いていないため、特に価値があります。

教師なし学習の仕組み#

教師なし学習のシナリオでは、アルゴリズムがデータ内の興味深い構造を自ら発見するように任されます。多くの場合、目的はデータの基礎となる分布をモデル化すること、またはデータ自体についてさらに学習することです。トレーニング中に「正解」が与えられないため、モデルを従来の意味での正確性によって評価することはできません。その代わり、パフォーマンスは、モデルが次元をどれだけ削減できるか、または類似したデータポイントをどれだけ適切にクラスタリングできるかによって測定されることが多いです。

この方法論は、人間が新しい概念を学習する方法とよく似ています。たとえば子どもは、最初から「犬」や「猫」という名前を必ずしも知らなくても、それぞれの異なる形や行動を観察することで、犬と猫を区別できます。同様に、教師なしアルゴリズムは、本質的な類似性に基づいて情報をグループ化します。この能力は、汎用人工知能 (AGI)の開発に不可欠です。システムが人間による継続的な監督なしに新しい環境へ適応できるようになるためです。

教師なし学習の主要な手法#

教師なし学習には、さまざまなデータ分析の問題に適した複数の異なる手法があります。

• クラスタリング: これは最も一般的な用途で、アルゴリズムが互いに類似したデータポイントをグループ化します。代表的な手法にK-Meansクラスタリングがあり、特徴の類似性に基づいてデータをk個の異なるグループに分割します。これは市場セグメンテーションで広く使用され、購買行動が類似した顧客グループを特定します。
• 次元削減: 高次元データは複雑で、処理に多くの計算コストがかかる場合があります。主成分分析 (PCA)などの手法は、データセットの本質的な情報を保持しながら変数の数を削減します。これにより、データ可視化が簡素化され、他の機械学習モデルのトレーニングが高速化されます。
• 異常検知: 教師なしモデルは、「正常な」データがどのようなものかを学習することで、標準から大きく逸脱する外れ値を特定できます。これは、異常な取引パターンがセキュリティアラートを発生させる金融分野の不正検知において重要です。
• アソシエーションルール学習: この手法は、大規模なデータベース内にある変数間の興味深い関係を発見します。小売業者が、パンを購入する顧客はバターも購入する可能性が高いことを理解するのに役立つ、マーケットバスケット分析で特に有名です。

教師なし学習と教師あり学習の比較#

教師なし学習と教師あり学習を区別することが重要です。主な違いは使用するデータにあります。教師あり学習にはラベル付きデータセットが必要です。つまり、各トレーニング例に正しい出力（例: 「cat」とラベル付けされた猫の画像）が対応付けられています。モデルは、誤差を最小化するために入力を出力へマッピングすることを学習します。

これに対して、教師なし学習ではラベルなしデータを使用します。モデルの出力が正しいかどうかを知らせるフィードバックループはありません。その中間に位置するものとして半教師あり学習があります。これは、少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習精度を向上させる手法で、データのラベル付けに費用や時間がかかる場合によく利用されます。

実世界での利用例#

教師なし学習は、私たちが日常的に利用する多くのテクノロジーを支えています。具体例を2つ紹介します。

1. 小売業における顧客セグメンテーション: Eコマースプラットフォームは、事前に定義されたカテゴリなしで、何百万件ものユーザーインタラクションを分析します。クラスタリングアルゴリズムを使用することで、「週末の掘り出し物を探す人」や「テクノロジー愛好家」など、明確に異なるユーザーペルソナを特定します。これにより、高度にパーソナライズされたマーケティングキャンペーンやレコメンデーションシステムが可能になり、顧客体験が大幅に向上します。

2. ゲノム配列解析: バイオインフォマティクスでは、研究者が教師なし学習を使用して遺伝データを分析します。アルゴリズムはDNA配列をクラスタリングし、異なる集団間で類似した遺伝マーカーや変異を見つけます。これにより、すべての特定の遺伝子機能について事前知識がなくても、進化的な関係を理解し、疾患に対する遺伝的素因を特定できます。

コード例: Scikit-Learnによるクラスタリング#

Ultralytics YOLO26は主に教師あり物体検出フレームワークですが、アンカーボックスの分布分析やデータセットの特徴量クラスタリングなど、前処理の段階で教師なしの手法がよく使用されます。以下は、sklearnを使用して、教師なし学習の基本的な手法であるK-Meansクラスタリングを実行する簡単な例です。

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

ディープラーニングにおける教師なし学習の役割#

現代のディープラーニング (DL)では、教師なし学習の原理がますます取り入れられています。自己教師あり学習 (SSL)などの手法では、モデルがデータから独自の教師信号を生成できます。たとえば、自然言語処理 (NLP)では、GPT-4などのモデルが大量のテキストで事前トレーニングされ、文中の次の単語を予測します。これにより、明示的なラベルなしで言語の構造を効果的に学習します。

同様に、コンピュータービジョン (CV)では、オートエンコーダーを使用して効率的なデータ表現を学習します。これらのニューラルネットワークは、画像を低次元の表現に圧縮してから再構成します。このプロセスによって、ネットワークは視覚データの最も重要な特徴を学習でき、画像のノイズ除去や生成モデリングなどのタスクに役立ちます。

トレーニング用のデータセットを管理したい場合、Ultralytics Platformはデータ分布を可視化するツールを提供しており、教師ありトレーニングを開始する前にクラスターや異常の特定に役立ちます。教師なし探索を通じてデータの構造を理解することは、堅牢なAIソリューションを構築するための最初のステップになることがよくあります。