プラットスケーリングとは、機械学習の分類モデルが出力するスコアを、より正確な確率値へと変換・調整する確率較正（キャリブレーション）手法の一つです。サポートベクターマシン（SVM）などの分類器が出力する非確率的なスコアに対し、ロジスティック回帰を適用して0から1までの信頼度の高い予測確率へと変換します。
プラットスケーリングとは
プラットスケーリングは、機械学習モデルの予測出力スコアを、正しく解釈可能な「確率」へと変換・修正するための代表的な確率較正手法です。
詳しく解説
サポートベクターマシンなどの分類モデルは、データが境界からどれだけ離れているかを示す数値を算出しますが、そのままでは「何パーセントの確率で正解か」を表す確率値としては利用できません。プラットスケーリングでは、これらの未較正な出力スコアを入力とし、2項のロジスティック回帰（シグモイド関数）を用いてパラメータを学習させることで、モデルの予測結果を適切な確率表示に変換します。モデルがどれくらい自信を持っているかを正しく把握することは、医療診断やリスク評価などの意思決定においてきわめて重要です。
具体例・使われ方
たとえば、スパムメールの判定モデルが「スコア 2.5」と出力した場合、そのままでは危険度が直感的にわかりません。プラットスケーリングを適用することで、「スパムである確率 85%」というわかりやすい確率値に変換できます。これにより、危険度が90%以上なら自動削除、70%以上なら迷惑メールフォルダへ移動といった柔軟な条件分岐が可能になります。
似た用語との違い
同じく確率較正の手法であるアイソトニック回帰との違いとして、プラットスケーリングはシグモイド関数による単調増加なS字曲線を仮定するパラメトリックな手法である点が挙げられます。データ量が比較的少ない場合や、元のスコア分布がS字形状に近い場合に有効です。一方、アイソトニック回帰は形状の自由度が高いノンパラメトリックな手法であり、大量のデータが存在する場合に適しています。
注意点
プラットスケーリングは、モデルの出力スコアと実際の確率の関係がS字型を描くという仮定に基づいています。そのため、元のモデルのスコア分布が複雑でS字型から大きく外れている場合、適切な確率較正が行えない可能性があります。また、較正用データが偏っていると変換後の確率の信頼性が低下するため、モデル学習用とは別の検証データセットを用意して適用することが必要です。