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。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-07-03。
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。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。
結論
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 | 左側の概念 | 右側の概念 |
|---|---|---|
| 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 |
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・教師なしの二択へ無理に入れず、第三の学習枠組みとして分けます。
具体例で使い分ける
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。
- 1.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。
- 2.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。
- 3.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。
- 1.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。
- 2.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。
- 3.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。
- 1.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。
- 2.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。
- 3.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。
- 1.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。
- 2.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。
- 3.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
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
- 正解ラベルを使うなら教師あり学習。
- ラベルなしで構造を見つけるなら教師なし学習。
- 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。
- 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。
- 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。
- 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
よくある質問
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。
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。
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。
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。
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。
執筆: ミナト編集部（運営者情報を見る）