誤差関数（損失関数）
解説：AIへの「採点表」
誤差関数（Error Function）は、別名「損失関数（Loss Function）」とも呼ばれ、AIモデルが現在どれくらい「ダメか（間違っているか）」を数値化する関数です。
AIの学習とは、この「誤差関数の値（スコア）を『0（最小）』に近づけること」を目指して、パラメータ（重み）を微調整し続ける旅のようなものです。
💡 なぜ「微分可能」な関数を使うのか？
誤差を最小にする（山の谷底を目指す）ためには、「どっちに進めば坂を下れるか？」という「傾き（勾配）」を知る必要があります。
傾きを計算するには「微分」が必要なため、誤差関数には必ず微分できる（滑らかな）関数が選ばれます。
誤差を最小にする（山の谷底を目指す）ためには、「どっちに進めば坂を下れるか？」という「傾き（勾配）」を知る必要があります。
傾きを計算するには「微分」が必要なため、誤差関数には必ず微分できる（滑らかな）関数が選ばれます。
タスクによる「使い分け」が最重要
「何を予測したいか」によって、使うべき誤差関数が決まっています。この組み合わせはG検定の鉄板問題です。
| タスクの種類 | 代表的な誤差関数 | イメージ |
|---|---|---|
| 回帰問題 (数値を当てる) |
平均二乗誤差 (MSE: Mean Squared Error) |
予測した「株価」や「気温」が、正解とどれくらいズレているか（距離の二乗）を測る。 |
| 分類問題 (クラスを当てる) |
交差エントロピー誤差 (Cross-Entropy Error) |
予測した「確率分布」が、正解の分布とどれくらい似ているか（情報の食い違い）を測る。 |
G検定対策
出題ポイント
- 目的：学習のゴールは、誤差関数の値を「最小化」すること。（最大化ではない！）
- 組み合わせ：「回帰には平均二乗誤差」「分類には交差エントロピー誤差」というペアを必ず暗記する。
- 用語の揺れ：「誤差関数」「損失関数」「コスト関数」「目的関数」は、G検定レベルではほぼ同じもの（最小化すべき対象）として扱ってOKです。
ひっかけ対策
- × 誤差関数の最大化を目指す
（解説）最大化を目指すのは「尤度（もっともらしさ）」です。誤差（間違い）は最小化を目指します。 - × 分類問題に平均二乗誤差を使う
（解説）計算はできますが、精度が出にくいため一般的ではありません。「分類には交差エントロピー」が正解です。
