重み (Weight)
解説：特徴量（入力データ）の「重要度」を決めるパラメータ
重み（Weight）とは、ニューラルネットワークにおいて「どの入力データ（特徴量）が、最終的な予測結果にどれくらい強く影響するか」を決定するためのパラメータ（係数）です。
「家賃の予測モデル」でパラメータの働きを見る
AIに「物件のデータ（入力）」から「家賃（出力）」を予測させるタスクを考えてみましょう。
モデルは、各入力データに対して「重み（係数）」を掛け合わせることで、最終的な予測値を計算します。
| 入力データ（特徴量） | 重み（パラメータ）の働き | 結果（予測家賃）への影響 |
|---|---|---|
| 部屋の広さ (㎡) | 大きいプラス値（例：+0.5） | 数値が大きいほど家賃が高くなるため、予測結果を大きくプラス方向へ引っ張る。 |
| 築年数 (年) | マイナス値（例：-0.2） | 数値が大きい（古い）ほど家賃が安くなるため、予測結果をマイナス方向へ押し下げる働きをする。 |
| 今日の天気 | ゼロ（0.0） | 家賃には全く無関係なノイズデータであるため、重みを0にして「無視」する。 |
ニューラルネットワークの各ノードは、入力値（x）と重み（w）を掛け合わせた合計値（w1x1 + w2x2 + …）を計算し、次の層へ伝達します。直感的には、それぞれの特徴量に対する「影響力の倍率設定」のようなものです。
「学習」＝「最適な重みの探索」
私たちが「AIを学習させる」と言っているのは、まさに「この重み（w）の数値を、誤差が最も小さくなるようにベストな値へ調整していく作業」のことです。
最初はデタラメ（ランダム）な重みが設定されていますが、誤差逆伝播法（バックプロパゲーション）と勾配降下法を通じて、正解を導き出すために適切な数値へと少しずつ更新されていきます。
G検定対策
出題ポイント
- 役割：入力信号の重要度をコントロールする「係数」である。重みの絶対値が大きいほど、その入力が結果に与える影響が強い。
- 学習の目的：ニューラルネットワークの学習とは、損失関数（誤差）を最小化するように、この「重み」と「バイアス」を最適化するプロセスである。
- 更新方法：一般的に、勾配降下法などの最適化アルゴリズムを用いて更新される。
