多クラス分類（Multi-class Classification）
1. 解説
多クラス分類とは、データを「AかBか」の2つではなく、3つ以上のクラス（カテゴリ）に分類するタスクのことです。
例えば、「手書き数字（0〜9の10通り）の認識」や、「画像に写っているのが犬か、猫か、鳥か、車か（4通り以上）の判定」などがこれにあたります。機械学習の現場では、二値分類と並んで非常に頻繁に使われるタスクです。
最重要：「クラスタリング」との違い
G検定では、「多クラス分類（教師あり）」と「クラスタリング（教師なし）」の違いが頻出です。どちらも「データをグループ分けする」点は同じですが、仕組みは全く異なります。
| 項目 | 多クラス分類 | クラスタリング |
|---|---|---|
| 学習タイプ | 教師あり学習 | 教師なし学習 |
| 正解ラベル | ある 「これは犬」「これは猫」と人間が教える。 |
ない データの特徴だけで勝手に分ける。 |
| 目的 | 未知のデータを決められたカテゴリに分類する。 | データの似ているグループ（塊）を発見する。 |
| 例え | 郵便番号を見て、決まった都道府県の箱に仕分ける。 | 散らばった石を、なんとなく色や形でグループ分けする。 |
多クラス分類を実現する2つのアプローチ
実は「3つ以上の分類」は計算が難しいため、以下のいずれかの方法で実現します。
- ① そのまま多クラスを扱えるモデルを使う：
決定木、ランダムフォレスト、ニューラルネットワーク（出力層にソフトマックス関数を使用）など。 - ② 二値分類（AかBか）を組み合わせる：
「Aかそれ以外か」のような二択問題をたくさん作って解決する手法です。サポートベクターマシン（SVM）やロジスティック回帰で使われます。- One-vs-Rest（OvR）：「クラスA」対「それ以外」の勝負をクラス数ぶん行う。
- One-vs-One（OvO）：「クラスA」対「クラスB」のような総当たり戦を行う。
2. G検定対策
出題ポイント
- 定義：3つ以上のクラスに分類する「教師あり学習」である点。
- ソフトマックス関数：ニューラルネットワークで多クラス分類を行う場合、出力層の活性化関数には、出力の合計が1（100%）になる「ソフトマックス関数」が使われる。
- One-vs-Rest：本来「二値分類」しかできないモデルを多クラスに対応させるための戦略。
ひっかけ対策・注意点
- × クラスタリングと同じである
（解説）ラベル（正解）があるかどうかが決定的な違いです。「メールのフォルダ分け（重要/迷惑/仕事）」のように分類先が決まっているなら多クラス分類です。 - 用語の混同：
「マルチラベル分類」という言葉もあります。これは「1つの画像に犬と猫の両方が写っている」ように、1つのデータに複数の正解タグがつくタスクです。通常の多クラス分類（正解はどれか1つ）とは区別しましょう。
