データセット

人工知能、特に機械学習の分野では、物事の特徴を数値で表した「特徴量」が極めて重要です。この特徴量は、人工知能が学習するための土台となるものです。例えば、果物を分類する人工知能を考えてみましょう。私たち人間は、果物の色や形、大きさ、重さ、甘さ、香りなど様々な情報から果物の種類を判断します。人工知能も同様に、これらの情報を数値化したものを特徴量として用いることで、果物を分類できるようになります。 具体的には、りんごを分類する場合を考えてみます。りんごの色は赤、緑、黄色など様々です。この色の違いを数値で表すためには、色の三原色である赤、緑、青の光の強さを数値化し、人工知能に入力します。大きさであれば直径や体積、重さはグラム数で数値化します。甘さは糖度計で測った数値を用いることができます。このように、様々な特徴を数値化することで、人工知能がりんごを他の果物と区別するための基準が作られます。 適切な特徴量を選ぶことは、人工知能の性能を大きく左右する重要な要素です。例えば、果物の分類に果物の生産地を加えても、分類の精度は上がらないでしょう。逆に、果物の皮の硬さや香りといった特徴量を加えることで、分類の精度が向上する可能性があります。つまり、人工知能が学習する目的にとって適切な特徴量を選択、あるいは新たに作り出すことが重要なのです。 もし特徴量の質が低ければ、人工知能はうまく学習できず、分類の精度は低くなります。例えば、果物の重さを測る際に、いつも違うはかりを使ったり、正しく目盛りを読まなかった場合、正確な重さを測ることができません。このような質の低いデータを用いて学習すると、人工知能はうまく果物を分類できなくなります。逆に、質の高い特徴量を用いることで、人工知能は効率的に学習し、高い精度で果物を分類できるようになります。そのため、特徴量の質を高めることは、人工知能の性能向上に不可欠です。

人工知能、特に機械学習という分野では、コンピュータにたくさんの情報を覚えさせて、次に何が起こるかを予想させたり、ものの種類を見分けさせたりといった作業を行います。この作業を学習と呼びますが、学習のためには、覚えさせる情報を数字で表す必要があります。この数字のことを「特徴量」と言います。 たとえば、りんご、みかん、バナナを見分ける人工知能を作るとしましょう。この人工知能に、りんご、みかん、バナナの特徴をそれぞれ数字で教えてあげる必要があります。りんごの特徴として考えられるのは、色、大きさ、形、重さなどです。たとえば、「赤い」という色は数字で表せませんので、「赤い」を「１」と表し、「青い」を「２」と表す、といったルールを決めます。そして、りんごの色が「赤い」場合は「１」という数字を人工知能に教えます。 大きさも数字で表すことができます。ものの大きさを表すには、ふつう、直径や半径を使います。たとえば、りんごの直径が８センチであれば、「８」という数字を人工知能に教えます。形も数字で表すことができます。たとえば、「丸い」を「１」、「長い」を「２」と決めて、りんごの形が「丸い」場合は「１」を人工知能に教えます。重さも同じように、りんごの重さが１５０グラムであれば「１５０」という数字を人工知能に教えます。 このように、色、大きさ、形、重さを数字で表した「１」、「８」、「１」、「１５０」といった数字が、りんごの特徴量です。みかんやバナナにも、それぞれの色、大きさ、形、重さを数字で表して、人工知能に教えます。人工知能は、これらの数字、つまり特徴量を通して、りんご、みかん、バナナの特徴を理解し、これらの果物を見分ける方法を学習していきます。 特徴量は、人工知能の学習にとってなくてはならないものです。そして、人工知能にどのような特徴量を覚えさせるかによって、人工知能の賢さが大きく変わってきます。良い特徴量を選ぶこと、あるいは良い特徴量を作り出すことは、人工知能の研究における重要な課題の一つです。