二項分布とは、互いに独立した「成功か失敗か」の2通りの結果しか得られない試行（ベルヌーイ試行）を一定回数繰り返したとき、成功する回数の確率分布を示す離散確率分布です。AIや機械学習の分野では、2値分類モデルの評価やデータサンプリングの理論的裏付け、あるいはABテストの有意差検定などに幅広く応用されています。
二項分布とは
二項分布とは、コイン投げのように結果が2通りしかない独立した試行を複数回行った際、特定のイベントが発生する回数の分布を表現する離散確率分布です。
詳しく解説
二項分布は、結果が2つしかない「ベルヌーイ試行」を前提としています。例えば、表が出る確率が p であるコインを n 回投げたとき、表が k 回出る確率の分布を指します。機械学習やデータ分析において、二項分布は非常に基本的かつ重要です。予測モデルの性能を評価する際、正解・不正解を2値のベルヌーイ試行とみなすことで、テストデータにおける分類精度の信頼区間を推定できます。また、ベイズ統計学においては、二項分布のパラメータを推定するために、共役事前分布であるベータ分布と組み合わせて「最尤推定」や事後分布の計算が行われます。
具体例・使われ方
具体的な例として、AIを活用したスパムメール判定モデルの評価が挙げられます。あるモデルがテストデータ（100通のメール）に対して正しく分類できる確率が85%であると仮定したとき、実際に正解するメールの数がどのようなばらつきを持つかを二項分布でシミュレーションできます。また、ウェブサイトのABテストにおけるユーザーのクリック率（クリックするかしないかの2値）の分析や、画像認識モデルが大量の画像データから特定の対象を検出する際の成功回数の見積もりなどにも、二項分布が直接利用されます。
似た用語との違い
混同されやすい概念として「ベルヌーイ分布」があります。ベルヌーイ分布は、試行回数が1回のみ（n=1）の場合の確率分布であり、二項分布はそれを複数回繰り返した（n回）場合の一般化された分布です。また、「正規分布」との違いも重要です。二項分布はカウントデータを扱う離散確率分布であるのに対し、正規分布は連続的な数値を扱う連続確率分布です。ただし、試行回数 n が十分に大きい場合、二項分布は中心極限定理によって正規分布に近似できるという性質（ド・モアブル＝ラプラスの定理）を持っています。
注意点
二項分布を適用する際の最大の注意点は、前提となる各試行が「互いに独立」でなければならないという点です。ある試行の結果が次の試行に影響を与える場合、二項分布を正しく適用できません。また、各試行において「イベントが発生する確率が常に一定であること」も必須条件です。機械学習で時系列データや、ユーザーの行動が時間変化するデータを扱う場合、確率が一定に保たれないため、単純な二項分布によるモデリングは不適切となるケースがあります。このような場合は、超幾何分布やその他の高度な確率分布モデルの検討が必要です。