用語比較
教師あり学習と教師なし学習の違い
教師あり学習は正解ラベル付きデータを使って、分類や回帰を学習します。教師なし学習は正解ラベルなしデータから、クラスタや構造を見つけます。
試験では、問題文に正解ラベル、分類、回帰、予測といった語があれば教師あり学習、ラベルなし、クラスタリング、次元削減、構造発見なら教師なし学習を疑います。
このページは、分類とクラスタリング、回帰と次元削減をタスク名の印象で取り違える人を対象にしています。ラベルの有無だけでなく、出力が既知カテゴリ、連続値、未知のまとまり、少ない軸への表現のどれなのかを確認し、強化学習や半教師あり学習も含めて候補を除外します。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
- 公式一次資料と照合した内容
- 教師あり学習と教師なし学習の定義は公式範囲と照合しています。
- 編集部が学習用に整理した内容
- 正解ラベルの有無と目的から分類する手順は編集部の学習上の整理です。
資格ごとの公式資料の一覧
結論
公式一次資料と照合：用語の定義は公式一次資料と照合しています。
教師あり学習
正解ラベル付きデータから、分類や回帰を学習する。
教師なし学習
正解ラベルなしデータから、データの構造やまとまりを見つける。
違いを表で確認
| 比較軸 | 教師あり学習 | 教師なし学習 |
|---|---|---|
| 正解ラベル | ある | ない |
| 代表タスク | 分類、回帰 | クラスタリング、次元削減 |
| 試験で見る語 | 正解、教師データ、予測 | 構造、類似、グループ、ラベルなし |
| 求める出力 | 既知のカテゴリまたは連続値 | 未知のまとまりまたは少ない軸での表現 |
| 代表的な手法 | 線形回帰、ロジスティック回帰、決定木、SVM | k-means法、主成分分析 |
公式一次資料と照合：G検定: 2026-10-02に一次資料で確認一次資料の一覧を見る →
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
AIが自動で学べば教師なしだと思う初学者
人が逐一ルールを書かないことと、正解ラベルを使わないことは同じではありません。入力データに正解となるカテゴリや数値が付いていて、その対応を学ぶなら教師あり学習です。教師なし学習は、ラベルなしデータの構造やまとまりを見つけます。
分類とクラスタリングを混同する人
分類は、あらかじめ定義されたクラスのどれに属するかをラベル付きデータから予測します。クラスタリングは、正解クラスを先に与えず、似たデータのまとまりを見つけます。「グループに分ける」という表面だけで判断せず、既知ラベルがあるかを確認します。
強化学習まで含む選択肢で迷う再受験者
強化学習は正解ラベルの対応ではなく、報酬を手掛かりに行動を改善して方策を学ぶ枠組みです。設問に報酬、行動、方策、試行錯誤があれば、教師あり・教師なしの二択に入れず、強化学習という3つ目の枠組みとして分けます。
具体例で使い分ける
編集部の整理
例 1
既知のカテゴリを予測する分類
各データにあらかじめ正解カテゴリが付いており、新しいデータがどのカテゴリに属するかを予測する場面です。
- 学習データには入力と正解ラベルの組み合わせがあります。
- 求める出力は、あらかじめ定義された離散的なカテゴリです。
- ラベルなしのデータから未知のまとまりを作るクラスタリングとは、正解の有無と出力の意味が違います。
結論: ラベル付きデータから既知カテゴリを予測するため、教師あり学習の分類です。
例 2
価格のような連続値を予測する回帰
特徴量と過去の正解数値の対応を学び、新しい入力に対して連続した数値を予測する場面です。
- 正解として与えられるのはカテゴリではなく連続値です。
- 入力と正解の対応を学ぶ点では分類と同じく教師あり学習ですが、出力の種類が異なります。
- 特徴量の数を減らす次元削減は表現を圧縮する処理であり、正解の連続値を予測する回帰とは分けます。
結論: ラベル付きの連続値を予測するため、教師あり学習の回帰です。
例 3
ラベルなしデータからまとまりを見つける
正解カテゴリを付けていないデータを、特徴の近さにもとづいて複数のグループへ分ける場面です。
- 学習時に、各データの正解グループは与えられていません。
- 目的は既知カテゴリを当てることではなく、データ内部のまとまりを抽出することです。
- k-means法のようなクラスタリングは教師なし学習で、既知ラベルを参照するk近傍法の分類とは名称が似ていても異なります。
結論: ラベルなしで未知のまとまりを見つけるため、教師なし学習のクラスタリングです。
例 4
特徴量を少ない軸へ表現し直す
多数の特徴量を、情報を要約した少ない軸へ射影して次元を減らす場面です。
- 正解カテゴリや連続値を直接予測することが目的ではありません。
- データの構造を使って、特徴量を少ない表現へ圧縮します。
- 主成分分析は代表的な次元削減手法であり、線形回帰やロジスティック回帰と区別します。
結論: ラベルなしデータの構造を使う次元削減なので、教師なし学習として判断します。
問題文から答えを選ぶ手順
編集部の整理：正解ラベルの有無と目的から分類する手順は編集部の学習上の整理です。
- 1
正解ラベルの有無を確認する
入力に対する正解カテゴリや正解数値が用意されているなら教師あり、正解を与えず構造を探すなら教師なしを疑います。
- 2
出力の形を確認する
既知カテゴリなら分類、連続値なら回帰、未知のまとまりならクラスタリング、少ない軸への表現なら次元削減です。
- 3
代表手法をタスクへ戻す
SVM、決定木、線形回帰などは教師あり、k-means法と主成分分析は教師なしという対応を、手法名だけでなく目的と一緒に確認します。
- 4
第三の枠組みを除外する
報酬と行動なら強化学習、少量のラベル付きと大量のラベルなしを組み合わせるなら半教師あり学習です。二択に押し込まず条件語で分けます。
試験での見分け方
編集部の整理
- 1正解ラベルを使うなら教師あり学習。
- 2ラベルなしで構造を見つけるなら教師なし学習。
- 3報酬をもとに行動を改善するなら強化学習で、教師あり・教師なしとは分ける。
- 4既知カテゴリの予測は分類、連続値の予測は回帰で、どちらも教師あり学習。
- 5未知のまとまりを見つけるクラスタリングと、特徴量を圧縮する次元削減は教師なし学習。
- 6グループ分けという語だけで決めず、既知ラベルの有無を確認する。
誤答しやすい選択肢
AIが自動で学ぶものをすべて教師なしと考える
修正: 教師なしはラベルなしデータから構造を見つける学習です。
分類とクラスタリングを混同する
修正: 既知のカテゴリへ分けるなら分類、未知のまとまりを見つけるならクラスタリングです。
回帰という名前からカテゴリ分類だと思う
修正: 回帰は価格や気温などの連続値を予測する教師ありタスクです。カテゴリを予測する分類と出力の種類で分けます。
k近傍法とk-means法を同じ学習だと考える
修正: k近傍法は既知ラベルを参照する分類、k-means法はラベルなしデータを重心にもとづいて分けるクラスタリングです。
報酬を正解ラベルと言い換える
修正: 報酬を手掛かりに方策を学ぶのは強化学習です。入力と正解ラベルの対応を学ぶ教師あり学習とは分けます。
確認問題
Q1正解カテゴリ付きデータから、新しい入力のカテゴリを予測するタスクは？
答え: 教師あり学習の分類
正解ラベルがあり、出力が既知カテゴリなので分類です。ラベルなしで未知のまとまりを作るクラスタリングとは異なります。
Q2ラベルなしデータを、似た特徴を持つグループへ分けるタスクは？
答え: 教師なし学習のクラスタリング
正解グループを先に与えず、データ内部のまとまりを見つけるため教師なし学習です。
Q3正解数値付きデータから、価格のような連続値を予測するタスクは？
答え: 教師あり学習の回帰
入力と正解の対応を学び、出力が連続値なので回帰です。カテゴリを予測する分類や、特徴量を圧縮する次元削減ではありません。
Q4報酬を手掛かりに試行錯誤して行動方策を学ぶ枠組みは？
答え: 強化学習
正解ラベル付きの入出力対応でも、ラベルなしデータの構造抽出でもありません。報酬、行動、方策が手掛かりです。
到達チェック
- 教師あり・教師なしを正解ラベルの有無で説明できる
- 分類、回帰、クラスタリング、次元削減を出力の形で区別できる
- k近傍法とk-means法、線形回帰と主成分分析を目的で分けられる
- 報酬が出たら強化学習を別枠として判断できる
- 半教師あり学習を教師あり・教師なしのどちらか一方と言い切らない
関連ページで確認する
- 教師あり・教師なしを個別に確認正解ラベルと代表タスクの対応を確認する。
- 強化学習を個別に確認報酬、行動、方策による学習との違いを確認する。
- 機械学習の概要を読む分類、回帰、クラスタリング、次元削減を収録問題の解説で確認する。
- G検定問題学習の種類と代表手法を横断して演習する。
- 教師あり学習を個別に確認正解ラベルを使う学習の代表タスクを確認する。
- 教師なし学習を個別に確認正解ラベルを使わない学習の代表タスクを確認する。
- 適合率と再現率の違い同じ第3章のモデル評価指標を、誤検知と見逃しの観点で区別する。
- バギングとブースティングの違い同じ第3章のアンサンブル学習として、バギングとブースティングの違いも確認する。
- 会社から取得を求められた場合自分の意思ではなく会社都合で受ける場合の進め方を確認する。
同じ資格で次に知りたいこと
- エッジAIとクラウドAIの違い（処理する場所・遅延・プライバシー・電力）
エッジAIとクラウドAIの違いを、AIを動かす場所、応答の遅れ、データの送信、電力と専用半導体（NPU）、モデルの大きさから比較表で整理します。G検定の用語集・演習で見分けるための判断手順も示します。
- 線形回帰とロジスティック回帰の違い
線形回帰とロジスティック回帰の違いを、予測する対象、出力の形、分類へのしきい値、G検定での判断手順と確認問題まで解説します。
- CNNとRNNの違い｜G検定での見分け方
G検定で問われるCNNとRNNの違いを、扱うデータの構造、畳み込み・プーリングとLSTM・GRUの処理、勾配消失問題との関係、判断手順と確認問題まで解説します。
よくある質問
Q教師なし学習は正解がない学習？
正解ラベルを使わない学習です。データの構造やまとまりを見つける目的で使われます。
Q分類とクラスタリングの違いは？
分類は正解ラベルのある教師あり学習、クラスタリングはラベルなしデータのまとまりを見つける教師なし学習です。
Q回帰は教師あり学習？
はい。入力と正解となる連続値の対応を学び、新しい入力に対して数値を予測する教師あり学習のタスクです。
Q主成分分析はどちら？
正解ラベルを使わず、特徴量を少ない軸へ表現し直す次元削減の手法なので、教師なし学習として区別します。
Q強化学習は教師なし学習？
同じではありません。強化学習は報酬を手掛かりに行動方策を学ぶ枠組みで、ラベルなしデータから構造を見つける教師なし学習とは別です。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）