教師あり学習・教師なし学習とは
教師あり学習とは、「この入力にはこの答え」という正解（ラベル）が付いたデータを使って、入力と正解の関係を学ばせる機械学習の方法です。教師なし学習とは、正解の付いていないデータから、似たもの同士のまとまりやデータの構造をコンピューター自身に見つけさせる方法です。
学校の勉強にたとえると、教師あり学習は「問題と模範解答のセットで練習し、新しい問題でも正しく答えられるようにする」学び方です。教師なし学習は「答えのない大量の資料を読み、自分で内容を分類・整理する」学び方に近いと言えます。
「教師」とは正解データのことを指します。英語では Supervised Learning（教師あり学習）、Unsupervised Learning（教師なし学習）と呼ばれます。両者の中間として、一部だけ正解の付いたデータを使う「半教師あり学習」や、データ自体から正解の代わりになる情報を作って学ぶ「自己教師あり学習」もあり、後者は大規模言語モデルの事前学習で使われている考え方です。
仕組み・違い
| 比較の観点 | 教師あり学習 | 教師なし学習 |
|---|---|---|
| 使うデータ | 正解付きのデータ | 正解のないデータ |
| 目的 | 新しいデータの正解を予測する | データの構造やまとまりを見つける |
| 代表的な処理 | 分類（どのカテゴリーか）、回帰（数値の予測） | クラスタリング（グループ分け）、次元削減、異常検知 |
| 結果の評価 | 正解と比べて精度を測れる | 正解がないため、結果の解釈に人の判断が必要 |
| 準備の負担 | 正解付けの作業（アノテーション）が大きい | 正解付けは不要だが、結果の意味づけに手間がかかる |
教師あり学習は、さらに次の二つに分けられます。
- 分類：入力がどのカテゴリーに属するかを当てる（例：問い合わせが「請求」「不具合」「解約」のどれか）
- 回帰：数値を予測する（例：来月の売上、物件の適正な賃料）
教師なし学習の代表的な処理は次のとおりです。
- クラスタリング：似たデータ同士をグループに分ける（例：購買傾向が似た顧客をまとめる）
- 次元削減：多くの項目を持つデータを、少ない要素に要約して見やすくする
- 異常検知：多くのデータと異なるふるまいをするものを見つける
実務での使い方・具体例
どちらを使うかは、「正解のデータがあるか」と「何を知りたいか」で決まります。
架空の例として、ある会員制フィットネスクラブが、会員の退会を減らす取り組みにデータを活用するケースを考えます。
まず、会員の利用履歴（来館頻度、利用時間帯、参加プログラムなど）を教師なし学習でクラスタリングし、「平日朝に短時間利用する層」「週末にプログラム中心に利用する層」のような会員のまとまりを見つけます。これにより、会員像の理解が深まり、層ごとの施策を考えやすくなります。
次に、過去に退会した会員と継続している会員のデータを使って、教師あり学習で「退会しそうかどうか」を予測するモデルを作ります。ここでは「退会した・しなかった」という結果が正解データになります。予測で退会の可能性が高いと判定された会員に、トレーナーから声をかけるなどのフォローを行います。
このように、教師なし学習で「全体の構造を理解」し、教師あり学習で「個別の予測」を行うという組み合わせは、実務でよく使われます。
正解データづくりのポイント
教師あり学習では、正解データの質が精度を大きく左右します。正解付けの作業はアノテーションと呼ばれ、次の点に気をつけます。
- 判断基準を文書にまとめ、作業者によるばらつきを減らす
- 判断に迷う例を集め、担当者間ですり合わせる
- 一部のデータを複数人で付け、結果が一致するかを確認する
どちらから始めるか迷う場合は、まず手元のデータに正解に当たる情報（結果の記録）が残っているかを確認するのが第一歩です。残っていれば教師あり学習、なければ教師なし学習で全体像をつかむところから始めます。
よくある誤解と注意点
- 「教師なし学習なら正解データの準備がいらないから楽」とは限らない：見つかったグループが何を意味するのか、業務に役立つのかを解釈する作業が必要です。
- 教師あり学習は過去の正解の質に縛られる：過去の判断に偏りや誤りがあると、それも学習してしまいます。
- 分類の種類は業務目的から決める：カテゴリーを細かくしすぎると正解付けが難しくなり、粗すぎると業務に使えません。
- 生成AIで代替できる場面もある：少量の例を示すだけで分類できる場合は、Few-shotプロンプトなど生成AIを使う方が早いこともあります。
関連用語
- 機械学習：データから規則を学ぶ技術の総称
- ディープラーニング（深層学習）：多層のニューラルネットワークを使う機械学習の手法
- アノテーション：学習用データに正解を付ける作業
- RLHF（人間のフィードバックによる強化学習）：人の評価をもとにAIを調整する方法
- セグメント分析：顧客などをグループに分けて分析する手法
Otsumuに相談できること
「データはあるが、予測に使うべきか、まず全体の傾向を見るべきか分からない」という段階では、解決したい業務課題から逆算して、必要な分析の種類とデータを整理することが大切です。OtsumuはKPI改善コンサルティングや生成AIシステム開発で、データ活用の設計から実装・運用まで支援しています。
30分の無料相談でお気軽にご相談ください。
執筆：Otsumu株式会社 ／ 編集日 2026.10.01