---
title: "分類（機械学習）とは｜AI-Ready.jp"
url: https://www.ai-ready.jp/glossary/classification/
description: "分類（機械学習）とは、入力されたデータが、あらかじめ決めたどの区分に当てはまるかを予測する課題のことです。"
publisher: "フロレンティナ株式会社"
---
[AIの基本](https://www.ai-ready.jp/glossary/#basics)

# 分類（機械学習）

ぶんるい／ Classification

定義

分類（機械学習）とは、入力されたデータが、あらかじめ決めたどの区分に当てはまるかを予測する課題のことです。

分類は、教師あり学習の代表的な課題の一つです。メールが迷惑メールかどうか、問い合わせがどの部署の担当か、製品が良品か不良品か、といったように、答えがいくつかの区分のどれかになる問題を扱います。2つの区分に分ける二値分類と、3つ以上に分ける多クラス分類があります。学習には、正しい区分が付いたデータが必要です。結果は正解率だけでなく、適合率や再現率、混同行列でも確かめると、どの区分で間違えやすいかが分かります。区分ごとのデータの数に大きな偏りがあると、少ない区分の予測が弱くなりやすい点にも注意が必要です。

分類の種類と確かめ方

- **二値分類**：2つの区分に分ける（例：良品か不良品か）
- **多クラス分類**：3つ以上の区分に分ける（例：どの部署の担当か）
- **確かめ方**：正解率だけでなく、適合率・再現率・混同行列でも確かめる
- **注意点**：区分ごとのデータの数に大きな偏りがあると、**少ない区分の予測が弱くなりやすい**

自社のAI活用の準備度は？[7つの柱で、10問・約3分で確かめる（無料・登録不要）](https://www.ai-ready.jp/diagnosis/quick/)

## 関連する用語

- [教師あり学習](https://www.ai-ready.jp/glossary/supervised-learning/)
- [回帰（機械学習）](https://www.ai-ready.jp/glossary/regression/)
- [混同行列](https://www.ai-ready.jp/glossary/confusion-matrix/)
- [正解率（精度）](https://www.ai-ready.jp/glossary/accuracy/)

## この用語が出てくる記事

- [人手不足にAIで備える考え方](https://www.ai-ready.jp/guide/ai-and-labor-shortage/)ガイド
- [AIの偏り（バイアス）の確かめ方：どこで生まれ、どう試し、どう減らすか](https://www.ai-ready.jp/guide/ai-bias-check/)ガイド
- [AI事業者ガイドラインの読み方：AIを使う会社がやること](https://www.ai-ready.jp/guide/ai-business-guidelines-for-users/)ガイド
- [生成AIの利用料の見積もりと管理：定額と従量の考え方、上限と見直しの手順](https://www.ai-ready.jp/guide/ai-cost-management/)ガイド
- [社内文書の検索をAIで改善する進め方](https://www.ai-ready.jp/guide/ai-document-search/)ガイド
- [経理業務でのAIの使い方](https://www.ai-ready.jp/guide/ai-for-accounting/)ガイド
- [問い合わせ対応へのAIの使い方](https://www.ai-ready.jp/guide/ai-for-customer-support/)ガイド
- [Excel・データ分析へのAIの使い方](https://www.ai-ready.jp/guide/ai-for-data-analysis/)ガイド
- [人事・労務の事務でのAIの使い方](https://www.ai-ready.jp/guide/ai-for-hr-admin/)ガイド
- [マーケティングでのAIの使い方](https://www.ai-ready.jp/guide/ai-for-marketing/)ガイド
- [購買・調達業務でのAIの使い方](https://www.ai-ready.jp/guide/ai-for-procurement/)ガイド
- [金融機関のAI活用：始め方と注意](https://www.ai-ready.jp/guide/ai-in-finance/)ガイド
- [宿泊業のAI活用：始め方と注意](https://www.ai-ready.jp/guide/ai-in-hotel/)ガイド
- [小売業のAI活用：始め方と注意](https://www.ai-ready.jp/guide/ai-in-retail/)ガイド
- [生成AIの使い方の選び方：SaaS・API・自社環境の違いと判断の目安](https://www.ai-ready.jp/guide/ai-platform-selection/)ガイド
- [電話対応へのAIの使い方と注意](https://www.ai-ready.jp/guide/ai-voice-phone/)ガイド
- [匿名加工情報・仮名加工情報・合成データの使い分け](https://www.ai-ready.jp/guide/anonymization-and-synthetic-data/)ガイド
- [部門をまたぐAI活用の進め方：業務の流れでつなぎ、役割を決める](https://www.ai-ready.jp/guide/cross-department-ai/)ガイド
- [データカタログで社内のデータを見つけやすくする](https://www.ai-ready.jp/guide/data-catalog-basics/)ガイド
- [社内データの分類ルールの作り方](https://www.ai-ready.jp/guide/data-classification-policy/)ガイド
- [システム間のデータ連携の基本](https://www.ai-ready.jp/guide/data-integration-basics/)ガイド
- [社内データの棚卸しの進め方](https://www.ai-ready.jp/guide/data-inventory/)ガイド
- [データの品質を高める手順](https://www.ai-ready.jp/guide/data-quality-improvement/)ガイド
- [データの保存期間と削除のルールの決め方](https://www.ai-ready.jp/guide/data-retention-policy/)ガイド
- [GDPRの基本とAI活用の注意：EUの個人データをAIで扱う日本企業が確かめること](https://www.ai-ready.jp/guide/gdpr-basics-for-ai/)ガイド
- [社内のナレッジベースの作り方](https://www.ai-ready.jp/guide/knowledge-base-building/)ガイド
- [失敗を共有できる場づくりとAI活用：ヒヤリ・ハットを報告しやすくする](https://www.ai-ready.jp/guide/psychological-safety-and-ai/)ガイド
- [SaaSの管理と棚卸しの進め方](https://www.ai-ready.jp/guide/saas-management/)ガイド
- [社員のセキュリティ教育の進め方](https://www.ai-ready.jp/guide/security-education/)ガイド
- [セキュリティ事故が起きたときの対応の手順](https://www.ai-ready.jp/guide/security-incident-response/)ガイド
- [営業秘密を守りながらAIを使う](https://www.ai-ready.jp/guide/trade-secret-and-ai/)ガイド
- [文書・画像・音声などのデータの活かし方](https://www.ai-ready.jp/guide/unstructured-data-use/)ガイド
- [AIの電力消費と企業の考え方](https://www.ai-ready.jp/column/ai-energy-use/)コラム
- [API連携で広がるAI活用](https://www.ai-ready.jp/column/api-and-ai/)コラム
- [お客様の声の分析とAI：集める・分ける・活かすの進め方](https://www.ai-ready.jp/column/customer-voice-analysis/)コラム
- [説明できるAIの実務](https://www.ai-ready.jp/column/explainability-in-practice/)コラム
- [内部不正とAIの利用](https://www.ai-ready.jp/column/insider-risk-and-ai/)コラム
- [いまのAIにできること、できないこと「予測」と「説明」の違いから考える使い方](https://www.ai-ready.jp/column/limits-and-possibilities-of-ai/)コラム
- [オープンウェイトのモデルを企業で使うときの考え方](https://www.ai-ready.jp/column/open-weight-models-for-business/)コラム
- [プライバシー・バイ・デザインとAI：使い始める前に個人情報の扱いを組み込む](https://www.ai-ready.jp/column/privacy-by-design-and-ai/)コラム
- [品質管理とAI：検査・記録・改善のどこに使うか](https://www.ai-ready.jp/column/quality-management-and-ai/)コラム
- [RAGとファインチューニングの違いと選び方「知識を補う」か「振る舞いを整える」か](https://www.ai-ready.jp/column/rag-vs-fine-tuning/)コラム
- [小さな言語モデル（SLM）の使いどころ：大きなモデルとどう使い分けるか](https://www.ai-ready.jp/column/small-language-models-use/)コラム
- [生成AIの利用料の見方](https://www.ai-ready.jp/column/understanding-ai-costs/)コラム

最終更新 2026-11-13

## 次の一歩

[測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/)

---

出典：フロレンティナ株式会社「分類（機械学習）とは｜AI-Ready.jp」 https://www.ai-ready.jp/glossary/classification/