選択バイアスとは、データの収集やサンプリングの過程で特定の偏りが生じ、対象とする集団全体（母集団）を正しく代表していない状態のことです。機械学習においては、偏った学習データを用いてモデルを構築することで、実際の運用環境で予測精度が著しく低下する原因になります。信頼性の高い予測モデル構築において、このバイアスの排除は極めて重要です。
選択バイアスとは
選択バイアスとは、分析やモデル作成のために収集したデータが、対象とする集団（母集団）全体を公平に反映しておらず、サンプリングの段階で特定の傾向や偏りが生じてしまっている状態のことです。
詳しく解説
統計学や機械学習において、モデルの性能は入力されるデータの品質に大きく依存します。理想的には、母集団から完全にランダムに抽出されたデータを用いるべきですが、現実には収集方法の制約や回答者の自己選択などにより、偏りが発生します。この状態でモデルを訓練すると、学習データにのみ過剰に適合し、実世界の実態から乖離した予測を行うようになります。例えば、インターネット上のアンケートのみで市場調査を行うと、ネットを頻繁に利用する層の意見だけが不均衡に多くなり、全体の意見を代表できなくなります。このように偏ったデータに基づくモデルは、本番環境での予測性能が著しく悪化します。
具体例・使われ方
例えば、スマートフォンのカメラアプリの画質向上AIを開発する際、自社の開発メンバーが撮影した写真（屋内、昼間中心）だけで学習データを構成した場合、夜間や屋外、極端な気象条件下での撮影に対して性能が出なくなります。また、医療AIで「特定の有名病院の受診患者データ」のみを学習させた場合、地域や所得層による健康状態の差異が無視され、一般社会全体への適用時に診断精度が下がるという事例も選択バイアスの一例です。
似た用語との違い
選択バイアスと混同されやすい概念として「生存者バイアス」があります。生存者バイアスは選択バイアスの一種であり、脱落したデータを除外し、生き残った一部のデータのみを評価対象にしてしまう偏りのことです。また、抽出のプロセスそのものの欠陥を指す「サンプリングバイアス」ともほぼ同義ですが、選択バイアスは「研究への参加辞退」など、データの取得後に生じるサンプルの偏りまで含む広い概念として整理されることが多いです。
注意点
選択バイアスを防ぐためには、単にデータ量を増やすだけでは不十分です。偏ったデータをいくら大量に集めても、モデルの偏りは解消されません。データ収集の設計段階で母集団の分布を意識し、ランダムサンプリングを徹底するか、偏りが避けられない場合は「過学習」を防ぐ工夫や、重み付けなどの統計的な補正技術を導入する必要があります。