教師あり/なし/強化学習

機械学習の3つのカテゴリ

1. 教師あり学習（Supervised Learning）

正解ラベル付きのデータを使ってモデルを学習する方法です。

# 教師あり学習の例: 離反予測
# 入力: 特徴量（購入履歴、ログイン頻度など）
# 出力: ラベル（離反した: 1, 継続: 0）

from sklearn.ensemble import RandomForestClassifier

X_train = df[['purchase_count', 'avg_amount', 'days_inactive']]
y_train = df['is_churned']  # 正解ラベル

model = RandomForestClassifier()
model.fit(X_train, y_train)  # 正解ラベルを使って学習

教師あり学習は、さらに2つに分かれます。

分類（Classification）

• 離散的なカテゴリを予測する
• 例: 離反する/しない、商品カテゴリ、スパム判定
• 評価指標: 正解率、適合率、再現率、F1スコア

回帰（Regression）

• 連続的な数値を予測する
• 例: 顧客の生涯価値（LTV）、来月の売上、在庫需要
• 評価指標: MAE、MSE、RMSE、R²

2. 教師なし学習（Unsupervised Learning）

正解ラベルなしでデータの構造やパターンを発見する方法です。

# 教師なし学習の例: 顧客セグメンテーション
from sklearn.cluster import KMeans

X = df[['purchase_count', 'avg_amount', 'days_inactive']]

kmeans = KMeans(n_clusters=4)
kmeans.fit(X)  # ラベルなしで学習
df['segment'] = kmeans.labels_  # クラスタ番号が割り当てられる

主な手法:

• クラスタリング: 類似したデータをグループ化（K-means、DBSCAN）
• 次元削減: 高次元データを低次元に圧縮（PCA、t-SNE）
• 異常検知: 通常と異なるデータポイントを検出

3. 強化学習（Reinforcement Learning）

エージェントが環境と相互作用し、報酬を最大化する行動を学習する方法です。

• ゲームAI、ロボット制御、レコメンデーションの最適化
• NetShop での応用例: クーポン配布タイミングの最適化

問題設定の重要性

機械学習プロジェクトの成否は、問題設定の質で決まります。

NetShop 離反予測の問題設定

ビジネス課題: 顧客の離反を防ぎたい
    ↓ 機械学習の問題に変換
ML 問題: 「30日以内に離反する顧客」を予測する二値分類問題
    ↓ 具体化
入力: 顧客の行動データ（特徴量）
出力: 離反確率（0.0 ~ 1.0）
評価: F1スコアで0.75以上を目標

問題設定で考えるべきこと

よくある問題設定のミス

1. データリーケージ: 予測時には使えない未来の情報を特徴量に含めてしまう
2. ラベルの定義が曖昧: 「離反」の定義が不明確で、学習データの品質が低い
3. 目的とずれた評価指標: ビジネス上は「見逃し」が問題なのに正解率で評価

# データリーケージの例（やってはいけない）
# 「離反後のサポート問い合わせ回数」を特徴量に含める
# → 予測時にはまだ離反していないので、この情報は使えない

# 正しい特徴量の例
# 「過去30日間のサポート問い合わせ回数」
# → 予測時に利用可能なデータのみを使う

NetShop の離反予測はどのタイプ？

NetShop の離反予測は教師あり学習の分類問題です。

• 正解ラベル: 過去に離反した/しなかったという実績データがある
• 予測出力: 離反する（1）/ しない（0）の二値分類
• 目的: 離反リスクの高い顧客を事前に特定し、施策を打つ

まとめ

• 教師あり学習: ラベル付きデータで予測モデルを構築（分類・回帰）
• 教師なし学習: ラベルなしでデータの構造を発見（クラスタリング・次元削減）
• 強化学習: 報酬を最大化する行動を学習
• 問題設定が ML プロジェクトの成否を決める
• データリーケージや曖昧なラベル定義に注意

チェックリスト

• 教師あり・教師なし・強化学習の違いを説明できる
• 分類と回帰の違いを理解した
• ビジネス課題を ML 問題に変換する流れを把握した
• データリーケージの概念を理解した

次のステップへ

次のレッスンでは、機械学習のワークフロー全体像を学びます。データの分割方法や過学習の概念を理解し、正しくモデルを評価する方法を身につけましょう。

推定読了時間: 30分