教師あり学習Supervised Learning

組になった資料が出発点です

教師あり学習を始めるには、資料が組になっていなければなりません。写真一枚とそれに付いた名前、文章一つとその文章の感情、マンションの情報一行と実際の取引価格のようにです。片方だけでは教師あり学習とは呼びません。

この組は人が作ります。店長がりんごを等級ごとに分けて詰めたように、誰かが資料を一つひとつ見て答えを書き込んでいるのです。だから教師あり学習の出発点はアルゴリズムではなく、答えつきの資料をどれだけそろえられるかにあります。

組を集めるときは、実際に使う場面と似た状況で集める必要があります。倉庫に入ってくるりんごが夏の品種なのに冬の品種だけで基準を作ってしまうと、選別機は見たことのないりんごの前で迷います。

ずれた分だけ基準を直します

教える過程は一度では終わりません。例を一つ入れて答えを出し、用意された答えと見比べてどれだけ間違っているかを一つの数字で測ります。この数字が小さくなる方向へ内部の基準をほんの少し動かし、次の例に移ります。この作業を数十万回繰り返します。

一度に大きく直さないのがこつです。りんご一個のために基準を大きく変えると、それまで当てられていたものまで外れてしまいます。少しずつ何度も直せば、例一つひとつではなく、例全体が共通して示す方向へ基準が落ち着いていきます。

名前を付けるか、数字を答えるか

答えの形によって枝が分かれます。答えが特級・上級・並級のような名前なら分類です。写真に写っているのが何か、メールが迷惑メールか、レビューが好評かといった問題がここに入ります。答えは決まった枠のどれかに落ちます。

答えが数字なら回帰です。りんご一箱の予想重量、来月の電気使用量、中古車の値段のように、答えが目盛りのどこにでも乗りうる問題です。同じ資料でも答えの書き方によって枝が変わります。糖度を「甘い・普通・すっぱい」と書けば分類、「12.4」と書けば回帰です。

答え付けが最も費用がかかります

技術の話では学習時間が話題になりますが、現場で最も時間がかかるのは答えを付ける作業です。写真数万枚に人が一枚ずつ名前を付ける仕事だからです。医療画像や法律文書のように専門家が見なければならない資料だと、費用はさらに跳ね上がります。

だから答えを書く基準をあらかじめ決めておくことが大切です。傷がいくつまで特級かを人によって判断がばらつくと、同じりんごに違う答えが付いてしまいます。ずれた答えが混じると、選別機は揺れた基準を学ぶことになります。

練習用と試験用を分けておきます

答えつきの資料を全部教えるのに使ってはいけません。一部は手を付けずに残しておき、最後に取り出して使います。教えるときに使ったりんごで試験をしても、選別機がうまくやれているかを知る手立てがありません。

残しておいた資料から出た点数が、実際に使うときの点数に近いものです。練習ではほとんど当てるのに残しておいた資料でがくんと落ちるなら答えを覚えた状態で、両方とも当てられないなら基準が単純すぎる状態です。