2026年10月8日に、Googleのnodes and hidden layers、activation functions、classification thresholdingとscikit-learnのprobability calibrationを再読しました。重み付き和・バイアス・ReLUの役割、scoreをclassへ変換するthreshold、誤分類コストとクラス不均衡、予測確率と実際の比率を照合するcalibrationを確認しています。この記事の0.85や0.95は架空の計算値・出力値であり、一件の成功率や本番の安全性を表しません。
ニューラルネットワークは、入力の数値を重み付きで組み合わせ、変換を重ねて予測に使うモデルです。脳から着想を得た名称ですが、人間の脳や理解をそのまま再現したものではありません。仕事で使うときは、層の多さより「どんな入力で学び、何を予測し、間違いをどう見つけるか」を確かめます。
30秒で要点
- 一つのノードは重み付き和とバイアスを計算し、活性化関数で値を変換します。下の架空例は電卓で追えます。
- 学習はパラメータを調整する工程、推論は学習済みのパラメータを使う工程です。利用するたびの再学習とは限りません。
- 「0.95」という出力だけでは、その一件が95%の確率で正しいとは言えません。評価データ、校正、判定の閾値を分けて確認します。
まず一つのノードを計算する
入力を二つ、重みを二つ、バイアスを一つ置きます。以下は仕組みを説明する架空の数値で、猫の分類器や実際の学習結果ではありません。
表が収まらない場合は、横にスクロールできます
| 項目 | 値 | 計算での役割 |
|---|---|---|
| 入力 x1 | 2 | 最初の特徴量 |
| 入力 x2 | 1 | 次の特徴量 |
| 重み w1 | 0.50 | x1への係数 |
| 重み w2 | -0.25 | x2への係数 |
| バイアス b | 0.10 | 和に足す定数 |
重み付き和は z = 2 × 0.50 + 1 × (-0.25) + 0.10 = 0.85 です。ここへ ReLU という活性化関数を使うと、出力は max(0, 0.85) = 0.85 になります。同じ式で x1だけを0にすると z = -0.15、ReLUの出力は0です。「負の値を0にする」という境界まで確かめると、単に足し算を並べているわけではないことが分かります。
入力層・隠れ層・出力層は何をするか
表が収まらない場合は、横にスクロールできます
| 層 | 猫の画像分類で考える例 | 誤解しやすい点 |
|---|---|---|
| 入力層 | 画像の画素などを数値として受け取る | 写真の意味を人と同じ方法で理解した証拠ではない |
| 隠れ層 | 入力を変換し、後段で使う特徴を組み合わせる | 各ノードが必ず「耳」「目」のような名前付き概念になるわけではない |
| 出力層 | 設計した分類スコアなどを出す | 全てのネットワークが確率を出すわけではない |
「入力→処理→出力」という見取り図は有用ですが、実際の構造や出力は課題によって異なります。層を増やせば必ず性能が上がるわけでもありません。構造の説明を深めたい場合は、パーセプトロンから深層学習までの基本を参照してください。
学習と推論を分けて、未知の例で確かめる
教師あり学習を考えると、作業は次の四段階です。
- 入力と正解の組を用意する。猫の画像なら、正解ラベルや撮影条件も確認する。
- 現在のパラメータで予測する。
- 正解との差を、選んだ損失関数で測る。
- 重みなどを更新し、学習用の例で繰り返す。
その後、学習に使わなかった例で評価します。白い猫の写真ばかりで学習したモデルが黒い猫にも適切に反応するかは、未確認のまま断定できません。一方で「見たことのないものには一切対応できない」と言い切るのも不正確です。未知の例へどの程度一般化するかを、独立した評価データと実際の利用条件で測るのが仕事です。
学習用の例では良くても、別の例で悪くなるなら、過学習、入力条件の偏り、ラベルの誤りなどを調べます。運用後にカメラや顧客層が変わる場合も、以前の評価結果がそのまま通用するとは限りません。
スコア・校正・閾値を混同しない
分類用に0から1の値を出すよう設計していても、値の意味を別に確かめる必要があります。
表が収まらない場合は、横にスクロールできます
| 確認するもの | 問い | 確認方法の例 |
|---|---|---|
| 分類性能 | 正解と予測はどの程度一致するか | 未使用データで誤検知・見逃しも数える |
| 校正 | 同程度の確信度の予測集団で、正解率が対応しているか | スコア帯ごとの件数と正解率を見る |
| 閾値 | どこから「対象」と判定するか | 誤検知と見逃しの負担を比較する |
三つの勘違いを、検証できる問いに変える
表が収まらない場合は、横にスクロールできます
| 勘違い | 言い換える問い |
|---|---|
| 人間の脳と同じだから理解している | この入力と出力を、どの評価で確認したか |
| 学習を終えれば完璧になる | 未使用の例・条件差・運用後の変化でも誤りを測ったか |
| AIの答えはいつも正しく、理由は一切調べられない | 誤りを検出する手順と説明・分析の方法には何があり、何が分からないか |
内部の計算が複雑なことと、調査方法が皆無であることは違います。説明手法の図があるだけで個別判断の因果や正しさが証明されるわけでもありません。AIの判断をどう評価するかで、採用に必要な確認へつなげてください。
導入前に五つの順番で整理する
- 目的と制約：何を予測し、どの誤りがどれだけ困るか。人が確認できる件数も書く。
- 課題への適合：入力と正解を定義できるか。まず単純なルールや基準モデルでも比較できるか。
- 手段の選択：既存サービス、学習済みモデル、独自学習を、費用・データ・保守条件で比べる。
- 学習と評価の設計：データの品質、分割、重複混入、過学習、未知条件を確認する。
- 利用後の見直し：誤り、条件変化、人による修正を記録し、保留・再評価の基準を設ける。
最初の試行では「精度の数字」と「間違った一件の処理」を一緒に記録してください。AI全体と機械学習の位置づけが曖昧なら、AIと機械学習の違いを先に整理すると、ニューラルネットワークを使う必然性も検討しやすくなります。