導関数とは、ある関数の入力の変化に対する出力の変化の割合（傾き）を表す新しい関数のことです。機械学習、特にニューラルネットワークの学習において、損失関数を最小化するために必須となる概念です。導関数を求めることでパラメータをどの方向に更新すべきかを計算でき、効率的なモデルの最適化（勾配降下法など）を実現します。
導関数とは
導関数とは、ある関数において「入力がごくわずかに変化したときに、出力がどれくらい変化するか」という変化の割合（瞬間の傾き）を、元の関数の各点に対応させて表した新しい関数のことです。機械学習ではモデルを最適化するための基礎的な数学概念として用いられます。
詳しく解説
導関数は、関数のグラフにおける接線の傾きを求めるための道具です。機械学習、特にディープラーニングにおいては、モデルの予測値と正解データのズレを示す「損失関数」を最小化することが目的となります。この損失関数の値を最も効率よく減らす方向を探るために、導関数が極めて重要な役割を果たします。ニューラルネットワークの学習プロセスでは、無数にある「パラメータ」の値を少し変化させたときに、損失関数がどう変化するかを導関数を用いて計算し、適切な方向へパラメータを調整します。
具体例・使われ方
具体的な利用例として、ニューラルネットワークの学習アルゴリズムである「誤差逆伝播法」が挙げられます。このアルゴリズムでは、出力層から入力層に向かって数式を連鎖的に微分することで、各層のパラメータに対する導関数（あるいは多変数における勾配）を効率的に求めます。この導関数の値（傾き）に基づいて「勾配降下法」を適用し、モデルの精度を段階的に向上させていきます。
似た用語との違い
「微分」は特定の1点における変化の割合（傾き）を求める操作やその値を指すことが多いのに対し、「導関数」は各点における微分の値（微分係数）を対応させる「関数そのもの」を指します。また、機械学習の数式では複数の変数（パラメータ）を扱うため、特定の1つの変数だけに注目して導関数を求める「偏微分」という概念がよく使われます。これらが合わさったベクトルのことを「勾配」と呼びます。
注意点
導関数を利用する上での注意点として、対象となる関数が「微分可能」でなければ導関数を定義できないという制約があります。例えば、グラフに急激な折れ曲がり（尖点）や不連続な部分がある場合、その点では導関数が存在しません。また、複雑なニューラルネットワークにおいては、導関数が極端に小さくなる「勾配消失」という現象が発生し、学習が停止してしまう問題が知られています。