解説

教師なし学習は、正解ラベルが付与されていないデータから、データに内在する構造やパターンを自動的に見つけ出す機械学習の手法です。代表例がクラスタリングで、データ同士の類似度を定義し、似たもの同士を同じグループ（クラスタ）にまとめることで、データの自然な分類を発見します。あらかじめ「これはAグループ」といった正解が与えられない点が、教師あり学習との決定的な違いです。選択肢cは「データ同士の類似度を定義し、その定義した類似度に従って似たもの同士は同じグループに入るようにデータをグループ化するクラスタリング」とあり、教師なし学習そのものなので正解です。クラスタリングは顧客のセグメンテーションや異常検知などに広く使われます。教師あり学習（分類・回帰）が正解ラベルを使って予測モデルを学習するのに対し、教師なし学習はラベルなしでデータの構造を探索する、という対比を理解しておくことが重要です。クラスタリングのほか、次元削減や異常検知も教師なし学習に含まれ、いずれも正解ラベルを使わずにデータの構造や特徴を見いだす点が共通の特徴です。

なぜ他の選択肢は違うのか

選択肢 ア

「既存データ間に分離境界を定め、新たなデータがどのグループに属するかを判別するパターン認識手法」は、正解ラベル付きの既存データから分類の境界を学習する教師あり学習（分類）の説明です。あらかじめグループ分けの正解が与えられている点が教師なし学習とは異なり、クラスタリングとは区別されます。あらかじめ各データがどのグループに属するかという正解が与えられている点で、ラベルなしのデータから構造を見つけ出す教師なし学習とは本質的に区別されます。

選択肢 イ

「乱数を使って疑似データを作り、数値計算によって解を推定するモンテカルロ法」は、確率的なシミュレーションによって数値解や期待値を近似する数値計算手法であり、機械学習の学習方式ではありません。データの構造を見つけ出す教師なし学習とは全く異なる分野の手法で、当てはまりません。確率的な試行を繰り返して数値解や期待値を近似する数値計算の手法であり、データの内在構造を学習する機械学習の枠組みそのものに当てはまりません。

選択肢 エ

「プロットされた時系列データに曲線を当てはめ、近似曲線でデータの補完や未来予測を行う回帰分析」は、入力と出力（目的変数）の関係を学習して連続値を予測する教師あり学習（回帰）の説明です。正解となる出力値を用いて予測モデルを作る点で、ラベルなしの教師なし学習とは異なります。目的変数となる正解の出力値を用いて入力との関係を学習する点で、正解を用いない教師なし学習とは異なり、教師あり学習に分類される手法です。

解くときのポイント

教師なし学習＝ラベルなしデータの構造発見（代表＝クラスタリング）。教師あり学習＝ラベルありで予測（分類・回帰）。強化学習＝報酬で行動を学習。モンテカルロ法は機械学習ではなく数値計算手法。