各クラスの件数から、scikit-learn の class_weight='balanced' と同じ重み n/(k×n_c) と、合計1に正規化した逆頻度の重みを計算します。不均衡データで少数クラスの誤りをどれくらい重く扱うかを確かめたいときに使えます。
クラス重み 計算ツール(class_weight="balanced")
各クラスの件数から、scikit-learn の class_weight="balanced"(n/(k×n_c))と逆頻度の重みを計算します。
使い方
- 各クラスの件数を、空白・カンマ・改行のいずれかで区切って入力します。
- 入力すると、balanced の重みと不均衡比、総件数が表示されます。
- 表で、クラスごとの割合・重み・件数×重み・逆頻度を確認します。
計算式
balanced の重み w_c = n ÷ (k × n_c)
逆頻度(正規化) = (1/n_c) ÷ Σ(1/n_j)
不均衡比 = 最多クラスの件数 ÷ 最少クラスの件数
n は総件数、k はクラス数、n_c はクラス c の件数です。balanced の重みでは、どのクラスも「件数 × 重み」が n/k になります。
クラス重みの役割
不均衡データをそのまま学習すると、モデルは多数クラスばかりを予測しても正解率が高くなるため、少数クラスを見落としやすくなります。クラス重みは、損失関数の中で各データの誤りに重みを掛けることで、少数クラスの1件を多数クラスの何件分にも相当するように扱う方法です。データを増やしたり減らしたりしないため、元のデータをそのまま使えるのが利点です。scikit-learn ではロジスティック回帰、SVM、決定木、ランダムフォレストなどで class_weight を指定できます。
計算例
サンプルの件数 900, 80, 20(3クラス、総件数1,000)で計算します。
- クラス1:1000 ÷ (3 × 900) = 0.3704
- クラス2:1000 ÷ (3 × 80) = 4.1667
- クラス3:1000 ÷ (3 × 20) = 16.6667
- 件数 × 重み は、どのクラスも 333.33(= 1000 ÷ 3)になります。
- 逆頻度を合計1に正規化すると 0.0175、0.1965、0.786 です。
- 不均衡比は 900 ÷ 20 = 45倍です。
結果の見方
重みが大きいクラスほど、損失関数の中で1件あたりの誤りが重く扱われます。この例では、クラス3の1件の誤りは、クラス1の1件の誤りの約45倍の重さになります。
| 不均衡比 | 考え方の目安 |
|---|---|
| 数倍程度 | 重みなしでも学習できることが多いです。評価指標で確認します。 |
| 10〜100倍 | クラス重みやサンプリングの効果が出やすい範囲です。 |
| 100倍以上 | 重みだけでは不十分なこともあります。異常検知として扱う方法も検討します。 |
注意点
- クラス重みを使うと少数クラスの再現率は上がりやすい一方、適合率が下がることがあります。正解率だけでなく、F1スコアやPR-AUCで評価しましょう。
- 重みを付けると予測確率の値もずれます。確率そのものを使う場合は、確率の校正が必要になることがあります。
- PyTorch の CrossEntropyLoss などに渡す場合も同じ値を使えますが、損失の平均の取り方によって全体の大きさが変わります。
- 件数は訓練データの件数を入れてください。テストデータを含めると、評価に情報が漏れる原因になります。
- 件数は1以上の整数で入力してください。0件のクラスには重みを計算できません。
- 重みの値をさらに調整したい場合は、balanced の値を基準に少しずつ変えて評価指標で比べます。
クラス重み(不均衡データ)のよくある質問
Q. class_weight='balanced' の式は何ですか?
A. n_samples ÷ (n_classes × クラスごとの件数) です。scikit-learn の compute_class_weight でも同じ値が得られます。
Q. 重みを付けるのとオーバーサンプリングはどちらがよいですか?
A. どちらも少数クラスを重視する方法です。重み付けはデータを増やさないため手軽で、オーバーサンプリングは過学習に注意が必要です。両方を試して評価指標で比べるのが確実です。
Q. 2クラス分類ではどう使いますか?
A. 正例と負例の件数を2つ入力すれば同じ式で計算できます。ライブラリによっては、正例の重みだけを負例数÷正例数で指定する方法もあります。
