二値分類モデルとは？仕組み・代表手法・評価指標を初心者向けに解説

二値分類モデルとは？仕組み・代表手法・評価指標を初心者向けに解説

二値分類モデルとは、入力データを2つのクラスのどちらかに分類する機械学習モデルです。「はい／いいえ」「陽性／陰性」「不正／正常」のように、予測したい答えが2通りの課題に使います。

ただし、モデルが最初から正解を知っているわけではありません。過去のデータから判断の手がかりを学び、新しいデータについて各クラスに当てはまる可能性を計算します。本記事では、二値分類の基本的な仕組みから代表的なモデル、学習方法、評価指標、実務上の注意点まで順に解説します。

二値分類モデルとは

二値分類は「2クラス分類」とも呼ばれ、一般に教師あり学習の一種として扱われます。教師あり学習では、入力データと正解ラベルの組み合わせをモデルへ与えます。例えば、迷惑メール判定なら、過去のメールに「迷惑メール」または「通常メール」というラベルを付けて学習させます。

モデルへの入力には、判断材料となる特徴量を使います。メール本文に特定の語が含まれる回数、送信元、URLの数などが特徴量の例です。画像分類では、色や輪郭などを人が設計する場合もあれば、深層学習モデルが画素から有用な特徴を自動的に学ぶ場合もあります。

犬か猫かを分ける課題は二値分類ですが、犬・猫・鳥の3種類から選ぶなら多クラス分類です。また、住宅価格のような数値そのものを予測する課題は回帰です。目的変数の種類を確認すると、どの問題設定を選ぶべきか判断しやすくなります。

二値分類モデルが予測する仕組み

多くの二値分類モデルは、入力を受け取ると「陽性クラスらしさ」を表すスコアや確率を出力します。その値としきい値を比較し、最終的なクラスを決めます。例えば、迷惑メールである確率が0.90で、しきい値が0.50なら「迷惑メール」と判定します。

しきい値は必ず0.50でなければならないわけではありません。見逃しを減らしたいなら、陽性と判定しやすいようにしきい値を下げる方法があります。ただし、その分だけ誤って陽性とするケースが増える可能性があります。反対にしきい値を上げると誤検知を抑えやすくなりますが、本当の陽性を見逃しやすくなります。

この関係は用途によって意味が変わります。重大な疾病のスクリーニングでは見逃しを減らすことが重視されやすく、通常メールを迷惑メールへ振り分けるシステムでは誤検知を抑えることが重要です。モデルの出力だけでなく、どの誤りが業務上より大きな損失になるかを考えてしきい値を決めます。

二値分類モデルを学習させる流れ

モデル開発は、データを集めて学習させれば終わりではありません。未知のデータに対しても性能を保てるか確認する必要があります。基本的な流れは次の通りです。

1. 目的とラベルを定義する：何を陽性、何を陰性とするか、曖昧なケースをどう扱うか決めます。
2. データを収集・整備する：欠損、重複、誤ったラベルを確認し、必要に応じて特徴量を作ります。
3. データを分割する：学習データ、検証データ、テストデータに分けます。
4. モデルを学習・調整する：学習データで規則性を学び、検証データや交差検証で設定を選びます。
5. 最終評価する：調整に使っていないテストデータで、実運用に近い性能を確認します。

犬と猫の画像を分類するなら、それぞれの画像へ正しいラベルを付けて学習に使います。ただし、同じ動物を連写した画像が学習用とテスト用の両方に入ると、未知の画像を分類する能力を正しく測れません。未来の情報や正解に直結する情報が特徴量へ混ざるデータ漏洩にも注意が必要です。

学習データだけで高い性能を示し、未知のデータで性能が落ちる状態を過学習と呼びます。データ量を増やすだけでなく、偏りを減らす、複雑すぎないモデルを選ぶ、交差検証を使うといった対策を組み合わせます。

代表的な二値分類モデルの種類

二値分類に使える手法は一つではありません。精度だけでなく、データ量、特徴量の種類、学習・予測に使える時間、判断根拠を説明する必要性によって選びます。

最初から複雑なモデルを選ぶ必要はありません。まずロジスティック回帰や決定木などで基準性能を作り、その後に高度なモデルと比較すると、複雑化による改善が本当に必要か判断できます。表形式データでは、複数の決定木を組み合わせるランダムフォレストや勾配ブースティングもよく使われます。

混同行列と評価指標

\(\mathrm{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}\)

二値分類の結果は、予測と正解の組み合わせによって真陽性（TP）、真陰性（TN）、偽陽性（FP）、偽陰性（FN）の4種類に分けられます。これを表にしたものが混同行列です。どの種類の誤りが多いかを確認でき、評価指標を理解する土台になります。

例えば、1万人のうち不正取引が10件しかないデータで、すべてを「正常」と予測すると正解率は99.9％です。しかし不正取引を1件も見つけられないため、役に立つモデルとはいえません。このようなクラス不均衡がある場合は、正解率だけで判断せず、適合率、再現率、F1スコア、PR曲線なども確認します。

適合率と再現率はしきい値によって変わります。複数のモデルを比較する際は、同じテスト条件で評価し、最終的には業務上の費用やリスクまで含めて採用するしきい値を決めることが大切です。

二値分類モデルの主な活用例

二値分類は、答えを2つに定義できる多くの業務で利用できます。代表例は次の通りです。

• 医療：画像や検査値をもとに、疾病の可能性が高いか低いかを推定する。
• 金融：クレジットカード取引や送金が不正か正常かを検知する。
• マーケティング：顧客が商品を購入するか、広告をクリックするかを予測する。
• メール・コンテンツ管理：迷惑メールや不適切な投稿に該当するかを判定する。
• 製造・保守：製品が良品か不良品か、設備が近く故障するかを予測する。

実際のサービスでは、モデルの判断だけで処理を完結させず、確信度が低いケースを人が確認する運用も有効です。特に医療・融資・採用のように人の生活へ大きく影響する場面では、二値分類の出力は専門家の意思決定を支援する材料として扱い、責任の所在や異議申し立ての仕組みも整える必要があります。

初心者が注意したいポイント

二値分類では、モデルの種類を選ぶ前に問題設定とデータを点検することが重要です。次の点を確認すると、見かけ上の高精度に惑わされにくくなります。

• ラベルの定義：陽性と陰性の境界が曖昧だと、学習する正解そのものが不安定になります。
• データの代表性：学習データが特定の時期・地域・利用者に偏ると、別の環境で性能が落ちます。
• クラス不均衡：少数クラスを見つけたい課題では、正解率だけを見ないようにします。
• データ漏洩：予測時には得られない情報やテストデータを学習工程へ混ぜないようにします。
• 説明可能性と公平性：高い精度だけでなく、判断根拠と属性ごとの誤り方も確認します。
• 運用後の変化：顧客行動や不正手口が変われば性能も変わるため、継続的に監視して更新します。

個人情報を含むデータでは、収集目的、利用範囲、保存方法にも配慮が必要です。複数組織が生データを集約せずに学習する連合学習なども研究・活用されていますが、技術を導入するだけで全てのプライバシー問題が解消するわけではありません。法令や組織のルールに沿った管理と組み合わせます。

二値分類モデルについてのまとめ

二値分類モデルは、データを2つのクラスのどちらかへ分類する機械学習モデルです。迷惑メール判定、不正検知、購入予測、疾病リスク評価など、幅広い場面で使われています。

モデルは特徴量から確率やスコアを求め、しきい値によって最終判断を行います。ロジスティック回帰、SVM、決定木、深層学習などの選択肢がありますが、常に最も複雑なモデルが最適とは限りません。データの性質、説明性、計算量、運用条件に合う方法を比較することが大切です。

評価では正解率だけでなく、適合率、再現率、F1スコアと混同行列を確認します。さらに、誤検知と見逃しのどちらを重く見るかを明確にし、目的に合ったしきい値を選ぶことで、二値分類モデルを実際の意思決定に役立てやすくなります。

更新履歴