【G検定】出力層とは？予測結果を出すニューラルネットワーク最後の層を解説

ニューラルネットワークの旅の終着点が出力層です。入力層から受け取ったデータが隠れ層で何段階も加工され、最後に「猫である確率80%」「予測価格3,200万円」といった答えの形になる場所です。タスクによって出力の形が変わること、そして学習の出発点（誤差の計算）でもあることが、G検定で問われる核心です。

📖 ひと言でいうと

出力層とは、ニューラルネットワークの最後に位置し、予測や分類の最終結果を出す層です。例えるなら、工場の生産ラインの「最終検品・出荷窓口」です。中間工程（隠れ層）で加工されてきた半製品を、注文の形式——分類なら「各カテゴリの確率」、回帰なら「1つの数値」——に整えて出荷します。さらに、出荷した結果と正解のずれ（誤差）を測ってラインの改善（学習）を始める起点でもあります。

🖼 1枚でわかる出力層

📘 公式テキストの説明

出力層は最終的に予測や分類の結果を示す層であり、入力からの情報が中間層での計算や活性化関数による非線形変換を経て、最終的に出力される。分類問題の場合、例えば出力層の各ノードには各カテゴリの確率が表示され、最も高い値が予測結果となる。さらに、出力層での予測は、教師データと照らし合わせて誤差を計算し、その誤差を逆伝播法により調整することで、モデルの精度を向上させることができる。

この説明には出力層の3つの顔が詰まっています。1つ目は「結果の出口」——入力層から始まり中間層（隠れ層）の非線形変換を経た情報が、最終的な答えとして現れる場所です。2つ目は「確率としての出力」——たとえば分類問題では、出力層のノードがカテゴリごとの確率を表し、いちばん高い確率のカテゴリが予測結果になります。3つ目は「学習の起点」——出力と教師データ（正解）を照らし合わせて誤差を計算し、その誤差を出力層から入力層へ向かって逆向きに伝えて重みを調整する（誤差逆伝播法）ことで、モデルは賢くなっていきます。

🔍 しっかり理解する

タスクによって出力の形が変わる

出力層は、解きたい問題に合わせてノード数と活性化関数を設計します。同じネットワークでも、出口の作り方でできる仕事が変わります。

多クラス分類で使われるソフトマックス関数は、各ノードの値を「すべて0以上・合計が1」になるよう変換する活性化関数で、出力をそのまま確率として解釈できるようにします。2クラス分類ではシグモイド関数で0〜1の値を1つ出す形もよく使われます。「出力層の活性化関数はタスクで決まる」——これが隠れ層（ReLUなどを課題に応じて選ぶ）との設計上の違いです。

学習は出力層から始まる

順伝播でデータが入力層→隠れ層→出力層と流れて予測が出たら、次はその予測と教師データの正解を突き合わせて誤差を計算します。そして誤差を小さくする方向へ、出力層から入力層に向かってネットワークを遡りながら各層の重みを調整します。これが誤差逆伝播法（バックプロパゲーション）です。出力層から遡る理由は、最終層のパラメータで誤差関数を微分するのが最も容易だからで、予測誤差がネットワークを逆向きにたどるように見えることがこの名前の由来です。つまり出力層は、予測の「出口」であると同時に、学習の信号が流れ始める「入り口」でもあるのです。

出力層の値をどう読むか

分類の出力層が出す確率は、モデルの「自信の度合い」として読めます。「犬90%・猫10%」なら自信を持って犬と予測しており、「犬52%・猫48%」なら判断に迷っている状態です。実務では、この確率にしきい値を設けて「確信が持てないときは人間に回す」といった運用も行われます。出力層の値は単なる答えではなく、答えの確からしさの情報も含んでいるのです。

💡 具体例で考える

犬と猫の画像分類を考えます。出力層にはノードを2つ用意し、ソフトマックス関数を通すと、ある画像に対して「犬: 0.80、猫: 0.20」のような合計1の確率が出ます。最も高い値は犬なので、予測結果は「犬」です。もしこの画像の正解が猫だったら、「猫の確率0.20」と「正解1.0」の間の大きな誤差が計算され、その誤差が逆伝播して「次は同じ画像で猫の確率が上がる」方向に重みが修正されます。

手書き数字認識（0〜9）なら出力層のノードは10個です。「7」の画像を入力したとき、理想的な出力は7番目のノードだけが1に近く、他が0に近い状態です。一方、マンションの価格予測のような回帰問題では、出力層はノード1個で「3,250万円」のような数値を直接出します。同じ「出力層」でも、タスクによって出口の設計がまったく違うことがわかります。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ