精度

記事数:(3)

教師データとは？機械学習の精度を左右する学習用データの基本を解説

教師データとは？機械学習の精度を左右する学習用データの基本を解説

機械学習を行うには、まずコンピュータにたくさんの情報を覚えさせ、様々な法則を見つけ出す訓練をさせる必要があります。この訓練で使う教材のような役割を果たすのが、教師データです。人間が子供に文字を教える時、何度も繰り返し書き方を教え、その文字が何であるかを伝えるのと同じように、コンピュータにも正解が分かるデータを大量に与えて学習させるのです。教師データは、入力データとその答えである正解データの組み合わせでできています。例えば、果物の写真を見てそれが何の果物かを当てる人工知能を作ることを考えてみましょう。この場合、果物の写真が入力データ、その写真に写っている果物が何であるかを示す名前が正解データになります。りんごの写真には「りんご」という名前、みかんの写真には「みかん」という名前がセットで用意されているわけです。人工知能は、大量のこのような組を学習することで、写真の特徴と果物の名前の対応関係を自ら見つけ出します。例えば、赤い色で丸い形をしていれば「りんご」、オレンジ色で皮がデコボコしていれば「みかん」といった具合です。そして、この学習を通して人工知能は、新しい果物の写真を見せられたときにも、それが何の果物かを予測できるようになるのです。教師データの質と量は、人工知能の性能に大きな影響を与えます。まるで人間の学習と同じく、質の高い教材でしっかりと教えれば、人工知能も賢く育ちます。逆に、間違った情報が含まれていたり、データの数が少なすぎたりすると、人工知能は正しい判断を下すのが難しくなります。そのため、人工知能を作る際には、目的に合った適切な教師データを選ぶことが非常に重要です。質の高い教師データこそ、人工知能を賢く育てるための、なくてはならない教科書と言えるでしょう。

ROC曲線とAUCとは？分類モデルの性能を正しく評価する方法を解説

ROC曲線とAUCとは？分類モデルの性能を正しく評価する方法を解説

二値分類とは、対象を二つの種類に区分けする作業のことです。例えば、健康診断の結果から、病気に罹患しているかいないかを判断する場合や、メールが迷惑メールかそうでないかを判別する場合などが挙げられます。このような二値分類の精度を測る方法の一つに受信者動作特性曲線、略してROC曲線と呼ばれるものがあります。ROC曲線は、縦軸に真陽性率、横軸に偽陽性率をとって描かれるグラフです。真陽性率とは、実際に陽性であるものの中から、正しく陽性と予測できた割合のことです。病気の診断で例えるなら、実際に病気に罹患している人の中で、検査によって正しく病気と診断できた人の割合です。これは、感度や再現率とも呼ばれます。一方で、偽陽性率とは、実際は陰性であるものの中から、誤って陽性と予測した割合のことです。病気の診断の例では、実際には健康な人の中で、検査によって誤って病気と診断されてしまった人の割合に当たります。ROC曲線を描くためには、様々な閾値を用います。閾値とは、陽性と陰性を区別する境界線の値のことです。この閾値を変化させることで、真陽性率と偽陽性率の値が変化し、ROC曲線が描かれます。理想的な分類モデルは、真陽性率が高く、偽陽性率が低い、つまり、病気の人を正しく病気と診断し、健康な人を誤って病気と診断することが少ないモデルです。ROC曲線上で、左上に近いほど理想的なモデルと言えます。ROC曲線を見ることで、様々な閾値におけるモデルの性能を一度に評価できるため、特定の閾値だけに頼った評価よりも、より多角的で詳細な分析が可能になります。これは、目的に合わせて最適な閾値を選択する際に役立ちます。例えば、病気の早期発見を重視する場合には、多少偽陽性率が高くなっても、真陽性率の高い閾値を選ぶ方が良いでしょう。このように、ROC曲線は二値分類モデルの性能評価において重要な役割を果たします。

適合率（Precision）とは？「予測の正確さ」を測る評価指標を解説

適合率（Precision）とは？「予測の正確さ」を測る評価指標を解説

機械学習の分野では、予測モデルの良し悪しを測る物差しがいくつかあります。その中で、『適合率』という尺度は、モデルの正確さを測る重要な指標の一つです。具体的に言うと、ある事柄を『そうだ』と予測した中で、実際に『そうだ』であったものの割合を示すのが適合率です。例として、迷惑メールのフィルターを考えてみましょう。日々届くメールの山の中から、迷惑メールを自動で見分けてくれる便利な機能です。このフィルターが、迷惑メールだと判断したメールの中に、本当に迷惑メールが含まれている割合が、まさに適合率に当たります。迷惑メールではない普通のメールを、間違って迷惑メールだと判断してしまう、いわゆる『誤り』が少ないほど、適合率は高くなります。別の例として、病気の診断を考えてみましょう。ある病気の検査で「陽性」と判定された人のうち、実際にその病気を患っている人の割合が適合率です。つまり、本当に病気の人を正しく診断できた割合を示しています。検査で「陰性」と判定されたにも関わらず、実際には病気を患っている「偽陰性」は、適合率には影響しません。適合率はあくまでも「陽性」と判定された人のみに焦点を当てています。適合率は、０から１の間の値で表されます。１に近いほど正確な予測であることを示し、逆に０に近いと予測の精度は低いと言えます。例えば、適合率が０．９の場合、予測が当たっている割合は９割です。０．５の場合は、半分の予測しか当たっていないことになります。このように、適合率はモデルの性能を評価する上で、非常に重要な役割を果たしています。