メインコンテンツへスキップ
見出し画像

【第67回】AIは予測のズレをどう評価する?損失関数とは

    前回までで、AIが情報をどう処理し、どうやって「スイッチ」を入れるか(活性化関数)まで学びました。でも、ここで一つ大きな疑問が湧いてきます。「AIはどうやって、自分の答えが正解に近いかどうかを判断しているの?」ということです。人間なら「あ、今の答えはちょっとズレてたな」と感覚でわかりますが、AIにはそんな感覚はありません。そこで必要になるのが、今回の主役「損失関数」です!


    1. 読み方

    • 損失関数 = そんしつかんすう


    2. 意味(定義)

    損失関数をひとことでいうと、「AIが出した答えが、正解からどれくらい離れているか(どれだけ間違っているか)を数値で表す『ダメ出しスコア』」のことです。

    これを、「的当てゲーム」に例えてみましょう。

    あなたが的に向かって矢を射ったとします。

    • ど真ん中に命中! → ズレはゼロ。スコア(損失)は 「0点」

    • 中心から少し外れた → ちょっとズレた。スコア(損失)は 「10点」

    • 的にすら当たっていない → めちゃくちゃズレた!スコア(損失)は 「100点」

    このように、「正解から遠ければ遠いほど、大きな値(高いスコア)」が出るのが損失関数です。AIにとってこのスコアは「恥ずかしい点数」のようなもの。なので、AIの目標は「この損失関数の値を、できるだけ0に近づける(=損失を最小にする)こと」になります。


    3. 歴史・背景

    AIが学習するということは、言い換えれば「正解に近づくために、内部のパラメータ(重み)を微調整し続けること」です。

    しかし、もし「正解か不正解か」の2択だけで判断していたらどうなるでしょうか? 「不合格!」と言われても、「あと1点で合格だったのか」それとも「点数が低すぎて絶望的なのか」がわからないと、どうやって勉強し直せばいいか迷ってしまいますよね。

    そこで数学者たちは、「間違い具合を連続的な数値(量)で測る」という方法を考え出しました。これが損失関数の考え方です。「今の設定だと、正解から〇〇分だけズレているよ」とはっきり数値でわかることで、AIは「じゃあ、こっちの方向に少し調整しよう」と、効率よく正解へ近づけるようになったのです。


    4. 比較・対比(正解率との違い)

    よく混同されるのが「正解率(Accuracy)」ですが、この2つは役割が全く違います。

    【正解率(Accuracy)】

    • 視点: 結果に対する「評価」

    • 特徴: 「100問中、何問正解したか」という割合です。

    • 弱点: 答えが「正解か不正解か」しかわからないため、AIが「どれくらい惜しかったか」が伝わりません。人間が成績表を見るための指標です。

    【損失関数(Loss Function)】

    • 視点: 学習のための「ガイド」

    • 特徴: 「正解と予測値の距離がどれくらいあるか」というズレの量です。

    • 強み: 「正解に限りなく近いが、まだ少しズレている」という状態を数値で表現できるため、AIが微調整を行うための「道しるべ」になります。AIが勉強するための指標です。


    5. 活用シーン(実社会のどこで、どんな問題に使うか)

    AIが解こうとしている問題の種類によって、使う損失関数の種類が変わります。

    ① 「数値を予想する」問題(回帰) 例えば、「来月の売上金額」や「家の価格」を予想する場合。 ここでは、「平均二乗誤差(MSE)」という損失関数がよく使われます。「正解の金額」と「AIが予想した金額」の差を2乗して合計する仕組みで、大きなズレがあるほど猛烈に高いスコア(損失)が出るため、AIに「大きなミスは絶対にダメだ!」と強く教えることができます。

    ② 「カテゴリーを分ける」問題(分類) 例えば、「この写真は犬か、猫か」を判定する場合。 ここでは、「交差エントロピー誤差」という損失関数が使われます。AIが「これは90%の確率で犬だ!」と自信満々に答えたのに正解が「猫」だった場合、非常に大きな損失を与えます。これにより、AIは「自信を持って間違える」ことを避け、正解の確率をより正確に高めるように学習します。


    6. G検定での出題傾向

    損失関数については、以下のポイントが狙われます。

    • 目的の理解: 「損失関数の値を最小化することが、AIの学習目的である」という基本概念。

    • 使い分け: 「回帰問題 → 二乗誤差」「分類問題 → 交差エントロピー」という組み合わせ。

    • 性質: 損失関数が「0」に近いほど、AIの予測が正解に近いということ。


    7. G検定の例題

    【問題1:最頻出(基礎的な定義)】

    機械学習において、モデルの予測値と実際の正解値との「ズレ」を定量的に評価し、この値を最小化するように学習を進めるための関数を何と呼ぶか?

    A. 活性化関数
    B. 損失関数
    C. 目的関数
    D. 恒等関数

    【問題2:頻出(特徴に関する問題)】

    主に「回帰問題(数値を予測する問題)」で利用される損失関数で、予測値と正解値の差を2乗して平均したものはどれか?

    A. 交差エントロピー誤差
    B. シグモイド関数
    C. 平均二乗誤差(MSE)
    D. ソフトマックス関数

    【問題3:ひっかけ(概念に関する問題)】

    AIの学習が進み、モデルの精度が向上しているとき、損失関数の値は一般的にどのような挙動を示すか?

    A. 徐々に増加し、一定の値で安定する
    B. 0に向かって減少していく
    C. 正解率(Accuracy)と同じ値に収束する
    D. 常に一定の値を保つ


    8. 7の例題の回答と解説

    【問題1:回答】 B

    【解説】 正解はBです。損失関数は、AIにとっての「ダメ出しスコア」です。このスコアを最小にすることが、AIが賢くなる(=正解に近づく)ことと同義になります。

    【問題2:回答】 C

    【解説】 正解はCです。「平均二乗誤差(MSE)」は、数値のズレを測るための定番の関数です。ちなみにAの「交差エントロピー誤差」は、主に「分類問題(AかBか)」で使われます。

    【問題3:回答】 B

    【解説】 正解はBです。ここがひっかけポイント!「精度が上がる」=「正解に近づく」=「ズレ(損失)が減る」ということなので、損失関数の値は減少します。正解率(%)が増える一方で、損失(スコア)は減っていくという逆の関係にあることを覚えておきましょう。


    9. Ankiアプリ用(CSV形式)

    損失関数の役割とは?,予測値と正解値の「ズレ」を数値化し、学習の指標にすること
    AIの学習の最終的な目的は、損失関数の値をどうすることか?,最小化すること(0に近づけること)
    回帰問題(数値予測)でよく使われる損失関数は?,平均二乗誤差(MSE)
    分類問題(カテゴリー判定)でよく使われる損失関数は?,交差エントロピー誤差
    学習が進んで精度が上がったとき、損失関数の値はどうなるか?,減少する


    📝 総評・まとめ

    お疲れ様でした!今回は、AIが自分を律するための「ダメ出しスコア」である損失関数について学びました。

    AIは、ただ闇雲に計算しているのではなく、この「損失関数」という明確な指標があるからこそ、「あ、今のやり方はダメだ、次はこうしてみよう」と改善し続けることができるんです。数学的な式は難しく見えるかもしれませんが、「ズレを測るもの」というイメージさえ持っていればバッチリです!

    ✅ 絶対に覚えて!

    • 損失関数 = 正解との「ズレ」を測るスコア!

    • 学習のゴール = 損失関数の値を「最小(0)」に近づけること!

    • 使い分け = 数値予測は「平均二乗誤差」、分類は「交差エントロピー」!


    🚀 次回予告 さて、損失関数で「どこが間違っているか」はわかりました。では、具体的にどうやって内部の設定(重み)を書き直して、間違いを正していくのでしょうか?

    いよいよディープラーニング最大の心臓部、【第68回】AIはまちがいをどう学び直す?誤差逆伝播法(バックプロパゲーション)とは に進みましょう!


    【第68回】へ進む

    【第5章】へ戻る

    📚 シリーズトップへ戻る

    ✅ この記事が役に立ったら「スキ」で応援してください!
    あなたの応援が、次の解説を作るエネルギーになります!🚀


     
     
    【G検定合格ロードマップ】 AIを「挫折と突破の物語」で理解し、最短で合格するメソッドを発信。 難しい専門用語を簡単な言葉でストーリー化して解説します。 丸暗記を捨て、効率的に重要キーワードを習得したい方は必見です

    あなたへのおすすめ