カリブレーションとは？
かりぶれーしょん
カリブレーションとは、機械学習モデルが出力する予測確率が実際の発生頻度と一致しているかを評価・補正する手法です。
カリブレーション（calibration）とは、分類モデルが出力する確率の値が、現実の事象発生確率とどの程度一致しているかを評価し、必要に応じて補正する手法です。「確率校正」とも呼ばれます。
モデルが「この入力は80%の確率で陽性」と出力した場合、実際に80%のケースで陽性になっていれば「よくカリブレートされている」と言います。一方、スコアは高いのに実際の発生率がずっと低い場合は、モデルの確率は信頼できません。
カリブレーションの評価・補正に使われる主な手法は次のとおりです。
- 信頼度図（キャリブレーションプロット）：予測確率を区間に分け、各区間の実際の正解率をプロット
- Brier スコア：予測確率と真のラベルの二乗差を平均した指標
- プラットスケーリング：ロジスティック回帰で確率を変換
- アイソトニック回帰：単調増加な非線形補正
補正手法としては、
確率の絶対値が意思決定に使われる場面（医療リスクスコア・保険引受・金融与信など）では、ランキング精度だけでなくカリブレーションが重要です。確率の高低でしか使わない場合はそれほど問題になりませんが、閾値設定や期待コスト計算ではカリブレーションの品質が結果を大きく左右します。
使い方・例文
「疾患リスクスコアのカリブレーションを確認したところ、高リスク群では過大推定されていたため、プラットスケーリングで補正した」のように使われます。
この用語をシェア
最終更新: