確率較正とは、機械学習モデルが出力する予測確率を、実際の発生確率と一致するように補正する手法です。例えばモデルが「雨の確率80%」と予測したデータ群を集めたとき、実際に80%の割合で雨が降るように調整します。自動運転や医療診断など、予測の信頼性が重視される分野で不可欠な技術です。
確率較正とは
確率較正とは、分類器などの機械学習モデルが予測した信頼度（出力される確率値）を、現実の観測データにおける実際の発生頻度（正解確率）と一致するように調整・変換する処理のことです。
詳しく解説
多くの機械学習モデル、特に複雑なニューラルネットワークや決定木ベースのアンサンブル学習（ランダムフォレストなど）は、予測時に「確率のような値」を出力しますが、これは厳密な確率とは限りません。例えば、予測値が「0.9」であっても、その予測が実際に90%の確率で正しいとは限らず、過剰確信や過小評価に陥っていることがよくあります。確率較正は、テストデータを用いてこのズレを補正するアプローチです。代表的な手法として、ロジスティック回帰を利用するプラットスケーリングや、非線形な変換を行うアイソトニック回帰があります。
具体例・使われ方
医療診断AIにおいて、ある患者の画像から「がんである確率が80%」と予測されたとします。確率較正が適切に行われていれば、この予測を信じて「同様の予測をされた患者が100人いれば、統計的に約80人ががん患者である」と判断できます。これにより、医師はリスクに基づいた適切な治療方針を決定できます。自動運転システムにおける障害物検知や、気象予報における降水確率の算出でも同様に重要です。
似た用語との違い
混同されやすい概念としてモデルの精度があります。精度はモデルの予測が全体としてどれだけ当たっているかを表す指標ですが、確率較正は予測値の数値自体が信頼できるかに焦点を当てています。例えば、予測精度が100%ではないモデルであっても、確率較正が完璧であれば、自らの予測が外れる可能性（不確実性）を正確な確率値として表現できます。また、モデルのハイパーパラメータを調整するチューニングとも異なり、出力された予測値を変換する後処理プロセスです。
注意点
確率較正を行うには、モデルの学習データとは別に較正用の検証データが必要となります。データ数が不足していると、較正自体が過学習を起こし、逆に予測の信頼性を損なう恐れがあります。また、元々の分類能力自体（予測の順序関係など）を向上させるものではないため、モデルの基礎的な識別性能そのものが低い場合には、確率較正を行っても予測精度は改善しません。