検知閾値
検知閾値とは、AIモデルが物体や異常などを検知したと判断するための境界となる数値です。この値を調整することで、見逃しを減らすか、誤検知を減らすかのバランスを制御できます。
モデル評価のAI用語一覧
14件モデル評価に関するAI用語を14件掲載しています。意味や使い方、関連用語を一覧から確認できます。
交差検証
交差検証（クロスバリデーション）とは、機械学習モデルの汎化性能を正確に評価するための手法です。手元にあるデータを複数のグループに分割し、訓練用データとテスト用データを入れ替えながら評価を繰り返します。特定データへの偏りを防ぎ、未知のデータに対する予測精度（汎化性能）を客観的に測定できるため、ハイパーパラメータ自動調整やモデル選択で必須の評価手法です。
過剰
過剰とは、機械学習モデルが訓練データに対して過度に適合し、未知のデータに対する予測性能が低下する現象を指します。ノイズや細部まで学習しすぎて汎用性を失うことが原因です。
バリデーション
バリデーションとは、機械学習モデルの汎化性能を評価し、過学習を防ぐために行う検証作業のことです。未知のデータに対して正しく予測できるかを確認し、ハイパーパラメータの調整などに活用されます。
K-Fold交差検証
K-Fold交差検証（K-分割交差検証）は、機械学習モデルの予測性能を評価するための検証手法です。手元のデータをK個のグループに分割し、そのうちの1つをテストデータ、残りのK-1個を学習データとして用いて評価を行うプロセスをK回繰り返します。限られたデータを有効活用し、データの偏りによる評価のブレを抑えることができます。
Plattスケーリング
Plattスケーリングは、機械学習モデルが出力する未調整のスコアを信頼性の高い確率に変換する後処理手法です。サポートベクターマシンなどの確率を出力しないモデルに用いられ、ロジスティック回帰を適用して確率解釈を可能にします。
ベイズ情報量基準
ベイズ情報量基準（BIC）は、統計モデルや機械学習モデルの良さを評価し、適切なモデルを選択するための基準です。モデルのあてはまりの良さとパラメータの複雑さのバランスを考慮し、過学習を防ぎながら最適なモデルを客観的に選定するために用いられます。
露呈バイアス
露呈バイアスとは、機械学習モデルの訓練時と生成時におけるデータの扱いの違いから生じる誤差のことです。主に自然言語処理のテキスト生成などで問題となり、訓練時は正解データを見るのに対し生成時は自身の予測結果を次の入力とするため、エラーが蓄積しやすくなります。
過大評価バイアス
過大評価バイアスとは、AIモデルの性能や予測値を実際よりも高く評価してしまう現象や傾向のことです。過学習を起こしたモデルをそのまま評価したり、偏った検証データを使用したりすることで発生し、実運用における性能低下を招く原因となります。
層化K-Fold交差検証
層化K-Fold交差検証は、機械学習モデルの評価手法の一種です。データをK個に分割する際、各分割（フォールド）に含まれる正解ラベルの割合が、全体のデータセットの割合とほぼ等しくなるように保つ手法です。特に不均衡データにおける分類タスクの評価で、偏りのない安定した評価値を得るために広く用いられます。
K分割交差検証
K分割交差検証とは、データセットをK個のグループに均等に分割し、そのうち1つを検証データ、残りのK-1個を訓練データとして用いる処理をK回繰り返す機械学習モデルの評価手法です。すべてのデータが一度は検証用に使われるため、データの偏りによる評価のブレを抑え、過学習の検知やハイパーパラメータの調整に広く利用されています。
赤池情報量基準
赤池情報量基準（AIC）とは、統計モデルの良さを評価するための指標です。データの当てはまりの良さとモデルの複雑さのバランスを考慮し、未知のデータに対して最も汎化性能が高いモデルを選定するために機械学習や統計学で広く用いられます。
ベースライン
AIや機械学習の開発において、新しいモデルの性能を評価するための基準となる比較対象や初期値のことです。開発したモデルが本当に優れているかを判断するための重要な指標として利用されます。
精度劣化
精度劣化とは、AIモデルの予測性能や分類精度が運用開始後から時間の経過とともに低下していく現象です。データの分布変化や環境の変化が主な原因となり、AIシステムの信頼性を維持するためには定期的なモニタリングと再学習が必要不可欠となります。