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。
Plattスケーリングとは
Plattスケーリングとは、機械学習モデルの出力値を確率値に変換するための後処理によるキャリブレーション手法のことです。
詳しく解説
多くの機械学習モデル、例えばサポートベクターマシンなどは、分類の境界からの距離を表すスコアを出力しますが、それは直接的な確率を意味しません。John Plattによって提案されたこの手法は、モデルの出力スコアを入力としてロジスティック回帰モデルを再度学習させ、0から1の間の確率値にマッピングします。これにより、予測確率の信頼性が向上し、実用的な意思決定に利用しやすくなります。
具体例・使われ方
サポートベクターマシンを用いて画像分類を行い、出力されたスコアをPlattスケーリングによって「犬である確率95%」といった信頼性のある確率値に変換してユーザーに提示するケースなどで利用されます。
似た用語との違い
同様に確率のキャリブレーションを行う手法として isotonic regression（等張回帰）が存在します。Plattスケーリングがシグモイド関数のような単調増加なパラメータモデルを仮定するのに対し、等張回帰はノンパラメトリックなアプローチを用います。
注意点
学習データとキャリブレーションに用いるデータが同一であると過剰適合を起こしやすいため、ホールドアウトデータや交差検証を用いて適切に適用する必要があります。また、モデルの出力分布がシグモイド形状に合致しない場合にはキャリブレーションの精度が低下する限界があります。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月18日 17:15