教師なし学習とは

教師なし学習は、答えの書かれていない資料の山を眺めて、整理のしかたを自分で見つけるような学び方です。正解ラベルを用意しなくてよいので、手元に大量にある記録をそのまま分析に使えます。

代表的な課題と手法

• クラスタリング：似たデータどうしをグループにまとめます。k-means法やウォード法が代表例で、購買傾向による顧客のグループ分けなどに使います。
• 次元削減：情報をなるべく残したまま、変数の数を減らします。主成分分析(PCA)や特異値分解(SVD)、可視化に向くt-SNEや多次元尺度構成法(MDS)があります。
• トピックモデル：文書の集まりから、どんな話題が含まれるかを見つけます。潜在的ディリクレ配分法(LDA)が代表例です。

G検定のシラバスでは、協調フィルタリングなどの推薦の手法やコールドスタート問題も、この項目で扱います。

結果の扱い方

教師なし学習には、比べるべき正解がありません。分けたグループが何を意味するか、いくつに分けるのがよいかは、まとまりのよさを測る指標も参考にしながら、分析の目的に照らして人が判断します。k-means法のクラスタ数のように、分析者が決める設定も結果を左右します。

ほかの学習方法との関係

教師なし学習は、単独で使うだけでなく、教師あり学習の前処理にも使われます。たとえば、多数の変数を主成分分析でまとめてから、予測モデルの入力にします。また、正常なデータの傾向をつかみ、そこから外れたデータを見つける異常検知にも使われます。正解の代わりに報酬を手がかりにする強化学習とは、別の枠組みです。

覚え方

「答えなしで、まとまりと構造を探す」のが教師なし学習です。