ステップ関数 (G検定)

1. 定義と概要

ステップ関数とは、入力の値がしきい値（0）以上のとき1を、しきい値未満のとき0を出力する、階段状のグラフを描く活性化関数のことです。ヘビサイド関数（数学者オリバー・ヘビサイドの名前に由来するステップ関数の別名）とも呼ばれます。しきい値（0）を境に出力が1から0へ、あるいは0から1へ切り替わる様子が階段のように見えることから、この名前が付けられました。

ニューラルネットワークの黎明期には、単純パーセプトロン（入力層と出力層だけで構成される最も基本的なニューラルネットワーク）の活性化関数として採用されました。入力の重み付き総和がしきい値を超えるかどうかが、二値分類（出力を2つのクラスのどちらかに振り分ける問題）の結果を左右する仕組みでした。

従来、単純パーセプトロンでは各入力に重みを掛けて足し合わせた総和をステップ関数に通し、0か1かの二値で出力を決めていました。ところがステップ関数はしきい値の点（入力が0のとき）で微分ができず、それ以外の点では微分値が常に0になります。

このため誤差逆伝播法（出力の誤差を逆向きに伝えながら各層の重みを調整していく学習の仕組み）に必要な勾配（重みをわずかに変えたときに誤差がどれだけ変化するかを示す量）を計算できません。この限界が、なめらかで微分可能なシグモイド関数（あらゆる実数を0から1の範囲のなめらかな値に変換するS字型の関数）への移行を後押しし、ニューラルネットワークの学習手法が発展する転換点になりました。

2. 試験対策ポイント

まず整理したいのは、ステップ関数の出力の仕組みです。入力の重み付き総和がしきい値（0）以上なら1、未満なら0を返す階段状の関数で、単純パーセプトロンの活性化関数として使われました。入力を重み付けして足し合わせた値がある基準を超えたかどうかだけで、出力が0か1かに切り替わる単純な仕組みです。

微分可能性の観点もあわせて整理しておきたいところです。しきい値の点（入力が0のとき）では微分ができず、それ以外の点では微分値が常に0になります。

この性質のため、勾配降下法（誤差が小さくなる方向へ少しずつ重みを調整していく学習の考え方）や誤差逆伝播法による重みの更新ができず、複雑なネットワークの学習には利用できません。単純な階段状の出力は分かりやすい一方で、学習の観点では大きな制約を抱えていることになります。

この限界と対になる関連用語の束として、微分可能な活性化関数への置き換えと、学習アルゴリズムである誤差逆伝播法、活性化関数全般の役割をあわせて押さえておきたいところです。

置き換え先にはシグモイド関数のほか、tanh関数、ReLU関数、ソフトマックス関数などがあり、いずれもステップ関数とは異なり、学習に使える勾配が得られる点が共通しています。ステップ関数自体が学習に使えるかのように説明されるケースは取り違えやすく、微分できる・できないの区別が正確な理解の分かれ目です。

3. 関連概念との比較・相違点

シグモイド関数との最大の違いは、微分できるかどうかにあります。ステップ関数はしきい値の点で微分ができず、それ以外の点でも微分値が常に0になるため、誤差逆伝播法による重みの更新には使えません。

これに対しシグモイド関数はあらゆる点でなめらかに微分できるため、勾配を計算しながら重みを少しずつ調整する学習が可能になります。どちらも入力を二値的な出力に近い形へ変換する関数でありながら、学習できるかどうかで立場が大きく分かれています。両者の対比を観点ごとに並べると、次のように整理できます。

観点	ステップ関数	シグモイド関数
出力の形	0か1かの階段状	0から1の範囲のなめらかな値
微分できるか	しきい値の点では不可。他の点では微分値が0	あらゆる点でなめらかに微分できる
誤差逆伝播法による学習	重みの更新に使えない	勾配を計算しながら重みを調整できる

単純パーセプトロンとの関係も整理しておきたいところです。単純パーセプトロンは、ステップ関数を活性化関数として採用した最初期のニューラルネットワークで、入力の重み付き総和がしきい値を超えるかどうかで二値分類の結果を決めていました。

ステップ関数の限界、つまり学習できないことや線形分離（データを直線や平面で2つのグループに分けられること）しかできないことは、そのまま単純パーセプトロンそのものの限界として現れています。関数の性質とモデルの性質が直結している点は、両者の関係を見るうえで見落としやすいところです。

4. ビジネス・実務での活用シナリオ

設備やプラントの制御分野では、温度や圧力がしきい値を超えたときに警報や停止信号をオンにするオン・オフ制御が広く使われています。これは、入力がしきい値を超えたかどうかで出力を切り替えるステップ関数と同じ二値判定の考え方に基づく仕組みです。複雑な調整をせずシンプルな基準だけで安全装置を作動させられるため、緊急時の判断を単純化できる点が利点です。

与信審査や意思決定モデルの分野でも、しきい値方式の考え方が使われています。スコアがしきい値を上回れば承認、下回れば否認となる単純な合否判定の仕組みは、ステップ関数のようなしきい値方式の意思決定の基本形として説明に用いられます。判定基準を明確な数値の境目として設定することで、審査結果に一貫性を持たせられる点が特徴です。

AIの教育や研修の分野では、ニューラルネットワークの仕組みを説明する出発点としてステップ関数から解説を始める教材が見られます。微分できない限界を実際に確認させることで、シグモイド関数など後続の活性化関数がなぜ必要になったかを理解させる狙いがあります。単純な仕組みから出発して限界を体験させる構成は、複雑な概念を段階的に理解させるうえで効果的な教え方です。

5. 要点まとめ

• ステップ関数は入力がしきい値（0）以上なら1、未満なら0を返す階段状の活性化関数で、単純パーセプトロンの活性化関数として使われました。
• しきい値の点で微分できず、それ以外の点では微分値が0になるため、誤差逆伝播法による重みの更新に利用できません。
• この微分不可能という限界が、なめらかで微分可能なシグモイド関数など後続の活性化関数への移行を後押ししました。

6. 確認問題