教師あり学習（Supervised Learning）は、入力データと正解ラベル（教師信号）のペアから、入出力の対応を学ぶ機械学習の代表的手法です。本記事はアルゴリズムの網羅ではなく、試験で問われる定義・分類と回帰・教師なしとの対比に焦点を当てます。
試験で問われる見方
○：教師あり学習は入力と正解ラベルのペアから学習する（G-094、HQ-0126）。スパム判定・売上予測が典型。
×：教師なしでもラベルとの誤差を直接最小化するとは限らない（TF-354）。クラスタ内のまとまりや再構成誤差など別基準。
×：教師ありと教師なしの定義を入れ替えた選択肢（HQ-0126の誤答パターン）。
教師あり学習とは
各訓練サンプルが (入力 x, 正解 y) の形を持ちます。「教師」は正解ラベルの比喩です。モデルは予測 ŷ を出し、損失関数で y との差を測り、勾配降下法などでパラメータを更新します。
ニューラルネットによる画像認識も、教師あり学習の典型です。LLMの事前学習は次トークン予測という自己教師ありに近い設定もありますが、試験の「教師あり」はラベル付き教師信号を想定することが多いです。
二大タスク：分類と回帰
| タスク | 正解 y の型 | 例 |
|---|---|---|
| 分類 | カテゴリ（離散） | スパム／非スパム、犬／猫 |
| 回帰 | 連続値 | 売上予測、気温予測 |
出力層の設計と損失関数の選び方がタスクごとに変わります（分類：交差エントロピー、回帰：二乗誤差など）。
学習の流れ
- ラベル付きデータの収集・分割（訓練／検証／テスト）
- モデルの選択（線形、木、NN…）
- 損失最小化で学習
- 汎化性能の評価（過学習チェック）
3つの学習パラダイム
| 区分 | 教師（信号） | 目的の例 |
|---|---|---|
| 教師あり | 正解ラベル | 分類・回帰 |
| 教師なし | なし | クラスタリング、次元削減 |
| 強化学習 | 報酬 | 方策の最適化 |
試験では3つを混同する選択肢が頻出です。特に「報酬で学習」は強化学習、「ラベルなしで構造発見」は教師なしです。
すり替えに注意
| 誤った説明 | 正しい理解 |
|---|---|
| 教師あり＝ラベルなしでパターン発見 | 教師なしの定義（HQ-0126） |
| 教師なし＝ラベル誤差を最小化 | 必ずしも当てはまらない（TF-354） |
| 回帰＝クラスタリング | 回帰は連続値予測の教師あり（G-094） |
| k-means＝教師あり | 教師なしのクラスタリング |
よくある質問
半教師あり学習は？
少量のラベル付きと大量のラベルなしを併用する設定です。教師あり・教師なしの中間に位置します。
LLMのファインチューニングは教師あり？
指示データに正解応答がある形式なら教師ありに近いです。RLHFは強化学習の要素も含みます。
ラベル作成が高いときは？
教師なし・半教師あり、転移学習、弱いラベルなどが検討されます。試験では区分の定義が中心です。