教師あり学習（Supervised Learning）とは、入力データとそれに対応する正解ラベル（教師データ）のペアを用いてモデルを訓練する機械学習の手法です。モデルは入力と正解の関係性を学習し、未知のデータに対しても正確な予測を行えるようになることを目指します。
教師あり学習の仕組み
教師あり学習では、まず大量の「入力データ」と「正解ラベル」のペアからなるデータセットを準備します。例えば、メールのテキスト（入力）と「スパムかどうか」（正解ラベル）のペアが典型例です。モデルはこのデータセットを使って学習し、入力から正解を予測するための内部パラメータを最適化します。
学習プロセスでは、モデルの予測値と正解ラベルの差（誤差）を損失関数で計算し、この損失を最小化するようにパラメータを更新していきます。この繰り返しにより、モデルは入力データのパターンを捉え、精度の高い予測ができるようになります。
| ひとことで言うと | 「問題」と「正解」のペアを大量に見せて、答え方を覚えさせる学習方法。 |
|---|---|
| どこで使う | 需要予測、不良品の判定、顧客の離反予測、メールの自動仕分け。 |
| 注意点 | 正解ラベルを人が用意する必要があり、その準備が最も手間とコストがかかる。 |
教師あり学習の種類
教師あり学習は大きく「分類」と「回帰」の2つに分かれます。分類は離散的なカテゴリを予測するタスク（例：画像が猫か犬か）で、回帰は連続的な数値を予測するタスク（例：住宅価格の予測）です。
1データを集める入力＋正解のペア
▶
2モデルが予測入力から答えを出す
▶
3正解と比べる誤差を計算する
▶
4パラメータ更新誤差が減る方向に調整
▶
5未知データへ適用実務で予測に使う
↺ 2〜4を何度もくり返して精度を上げる
代表的なアルゴリズム
代表的な教師あり学習のアルゴリズムには、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（SVM）、k近傍法（k-NN）、ニューラルネットワークなどがあります。タスクの特性やデータの規模に応じて適切なアルゴリズムを選択することが重要です。
教師あり学習の活用例
教師あり学習は、スパムメール検出、画像認識、音声認識、医療診断、株価予測、レコメンデーションシステムなど、幅広い分野で活用されています。近年では、深層学習（ディープラーニング）を用いた教師あり学習が特に高い性能を発揮しています。