アルゴリズム ＲＡＥ：予測精度を測る新たな指標
近年の機械学習技術の急速な発展に伴い、様々な予測モデルが開発され、私達の生活にも深く浸透しつつあります。こうした予測モデルの良し悪しを測る上で、予測精度を適切に評価することは非常に重要です。しかし、従来の誤差評価指標を用いるだけでは、異なる種類のデータセットを扱う予測モデルを公平に比較することが難しいという問題がありました。
例えば、あるモデルは住宅価格を予測するもので、別のモデルは株価を予測するものであるとします。住宅価格は数百万円から数億円といった大きな金額で変動する一方、株価は数百円から数千円といった比較的小さな金額で変動します。もしそれぞれのモデルの誤差を単純に比較した場合、金額の大きさそのものが異なるため、どちらのモデルがより優れているかを正確に判断することはできません。住宅価格を予測するモデルの誤差が数万円単位だったとしても、これは予測対象となる金額全体から見ると小さな割合と言えるかもしれません。一方で、株価を予測するモデルの誤差が数百円単位だったとしても、予測対象となる金額全体から見ると大きな割合を占める可能性があります。
このような問題に対処するために、相対絶対誤差（RAE）という新たな指標が注目を集めています。RAEは、予測値と実測値の差である絶対誤差を、実測値の平均値で割ることで相対的な値に変換します。具体的には、全てのデータにおける絶対誤差の合計を実測値の平均値とデータ数の積で割ることで算出されます。この指標を用いることで、異なる規模のデータセットを扱う予測モデル同士でも、相対的な誤差の大きさを比較することが可能になります。つまり、住宅価格と株価のように、予測対象の金額の規模が大きく異なる場合でも、RAEを用いることでモデルの性能を公平に評価できるようになります。これにより、より適切なモデル選択や改良に繋げることが期待されます。
