2026年10月8日にGoogle Machine Learning Crash Course、scikit-learn 1.9.1、NIST AI用語集の本文を再確認した。Googleはデータ表現、一般化、過学習、実運用、責任ある設計を別モジュールで扱い、scikit-learnは未見データを直接評価する必要を示す。学習精度を実務の正しさや因果効果へ読み替えず、データ分割、漏えい、誤りのコスト、分布変化、監視、停止条件を工程として残す。
機械学習は、データから目的に合う予測や分類の規則を推定する方法です。学習データに合うことと、未知のデータや現場で役に立つことは同じではありません。目的、ラベル、誤りのコスト、評価データ、運用後の監視を一つの工程として設計します。
公式資料を読み直した日と範囲
2026年10月7日に、Google Machine Learning Crash Course、scikit-learn Getting Started、scikit-learnのモデル選択・評価、NIST AI用語集を確認しました。Googleは回帰、分類、データ準備、過学習、実運用、公平性を学習モジュールとして分けています。scikit-learnは教師あり・教師なし学習、前処理、モデル選択、評価を提供します。NISTのAI定義は複数の出典と文脈を示すため、記事では機械学習をAIの一部として便宜的に説明します。
30秒で要点
- 目的、入力特徴、正解ラベル、判断単位、誤りのコストを先に決める
- 教師あり、教師なし、強化学習は、データ、目的、評価が違う
- 学習データの成績ではなく、未見データ、過学習、漏えい、分布変化を確認する
- 予測性能と因果効果、モデルの出力と業務の意思決定を分ける
1. まず予測したい判断を書く
「売上を予測する」では足りません。対象、時点、予測期間、利用者、行動、誤りのコストを書きます。たとえば「出荷日の前に、SKU×週単位で欠品リスクを通知し、発注担当者が確認する」のようにします。自動化するのか、候補を示すのか、人が承認するのかも明記します。
2. 三つの学習の見取り図
表が収まらない場合は、横にスクロールできます
| 種類 | データと目的 | 例 | 評価の問い |
|---|---|---|---|
| 教師あり | 入力とラベルから予測 | 解約、需要、画像分類 | 未知データで誤りは許容範囲か |
| 教師なし | ラベルなし構造を探索 | 顧客群、異常、次元削減 | 群や軸は安定し、解釈できるか |
| 強化学習 | 行動と報酬を反復 | 制御、順序、配分 | 報酬設計が望む行動を表すか |
教師ありの分類はカテゴリ、回帰は連続値を予測します。確率を出すモデルでも、その値が現場での発生確率として校正されているとは限りません。教師なしの群は自然に存在する顧客タイプとは限らず、距離、前処理、期間で変わります。
3. 学習と評価を分ける
- 分割：学習、検証、テストを、将来予測なら時点、顧客単位なら顧客をまたがないように分ける。
- 前処理：欠測補完、標準化、特徴量生成を学習データの情報だけで行う。
- モデル選択：交差検証、ハイパーパラメータ、基準モデルを比較する。
- 評価：正解率だけでなく、適合率・再現率、損失、校正、業務上の誤りコストを置く。
- 運用：入力の欠測・分布変化、性能低下、異議、停止条件を監視する。
学習に使った期間や顧客が評価へ混ざると、実務より良い成績に見えることがあります。Googleはデータ分割、過学習、ラベル漏えい、実運用の監視を別のモジュールで扱い、scikit-learnもモデル選択・評価の機能を分けています。
4. 最小の予測メモ
表が収まらない場合は、横にスクロールできます
| 欄 | 書くこと |
|---|---|
| 目的 | 何を、いつ、誰が判断するか |
| データ | 出所、期間、単位、欠測、ラベル定義 |
| 基準 | 単純なルール、現行業務、許容誤差 |
| 検証 | 分割方法、指標、区間、誤りの内訳 |
| 運用 | 人の承認、監視、更新、停止、異議 |
5. よくある誤解
- 高いテストスコアを、利益や因果効果の保証と呼ぶ
- 学習データにだけ存在する代理変数や将来情報を入れる
- 欠測や偏りを隠し、全利用者へ同じ性能があると書く
- モデルの出力だけで採用、与信、医療、安全などの決定を自動化する