絶対誤差 (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

絶対誤差とは、測定値（あるいはモデルの予測値）から真の値を引いた差の絶対値で表される量です。計算式で表すと絶対誤差＝｜測定値－真の値｜となり、絶対値を取るためつねに0以上の値になります。単位は元のデータと同じになる点も特徴です。

たとえば、実際の長さが100cmの部材を99.7cmと測定した場合、絶対誤差は｜99.7－100｜＝0.3cmとなります。測定値が真の値より小さくても、絶対値を取るので0.3cmという正の値になります。プラス・マイナスの方向を問わず、ずれの大きさそのものを表す量である点が、この定義の核になります。

従来、実験や測定の分野では、測定値が真の値からどれだけずれているかを表す量として絶対誤差が使われてきました。しかし絶対誤差は単位付きの値であるため、規模の異なる対象同士でずれの大きさを比べにくいという課題があります。1kmの距離に対する1mの誤差と、1mの距離に対する1mの誤差は、絶対誤差としてはどちらも同じ1mですが、意味合いは大きく異なります。そこで、絶対誤差を真の値で割って比率にした相対誤差（絶対誤差を真の値で割った、単位のない比率としての誤差）が、規模に依存しない誤差の指標として使われるようになりました。

機械学習の文脈では、回帰モデル（数値そのものを予測する機械学習のモデル）の個々の予測について求めた絶対誤差を平均したMAEが、モデル全体の評価指標として使われます。1件ずつの予測がどれだけ外れたかを絶対誤差で測り、その平均でモデル全体の外れ具合を表す、という積み上げの関係です。個々のデータの絶対誤差から出発して、集団全体を見る指標へとつながっていく流れを押さえておきたいところです。

2. 試験対策ポイント

まず整理しておきたいのは、絶対誤差が測定値（予測値）と真の値との差を絶対値で表した量であり、常に0以上になり単位は元のデータと同じになるという性質です。プラス方向のずれもマイナス方向のずれも同じ扱いになる点が、この基本の性質を理解するうえでの出発点になります。

絶対誤差を真の値で割った相対誤差は無単位の比率になり、規模の異なるデータ同士で誤差の大きさを比べる場面ではこちらが使われます。絶対誤差と相対誤差は「単位の有無」という1本の軸で対にして整理しておきたいところです。数値の大きさだけでなく、単位が残るか消えるかという観点で見比べると、両者の役割の違いがはっきりします。

実務では、あらかじめ定めた許容誤差（あらかじめ許容できると決めておく誤差の上限値）という基準値と、実測して求めた絶対誤差を比べ、絶対誤差が許容誤差の範囲内かどうかで合否や良否を判定する使われ方があります。許容誤差は基準、絶対誤差はその都度の実測値という役割の違いになります。

また、複数のデータについて絶対誤差を求め、それらを平均するとMAEが得られるという関係も、あわせて整理しておきたい論点です。絶対誤差は1件ごとの値、MAEは複数データを集約した評価指標という粒度の違いになります。

相対誤差・許容誤差・MAEという3つの関連語は、それぞれ絶対誤差と対比する軸を1本ずつ決めて覚えておくと、用語の混同を防ぎやすくなります。軸ごとに並べると次のようになります。

関連語	絶対誤差と対比する軸	絶対誤差との違い
相対誤差	単位が残るか消えるか	絶対誤差を真の値で割った無単位の比率
許容誤差	基準値か実測値か	あらかじめ定めておく誤差の上限値
MAE（平均絶対誤差）	1件ごとか集約か	複数データの絶対誤差を平均した評価指標

この3本の軸を押さえておくと、問題文が絶対誤差そのものの性質を問うているのか、関連語との違いを問うているのかを見分けやすくなります。

3. 関連概念との比較・相違点

相対誤差との最大の違いは、単位の有無にあります。絶対誤差は元データと同じ単位を持つ絶対的な差であるのに対し、相対誤差は絶対誤差を真の値で割った無単位の比率です。そのため、規模の異なるデータ間で誤差の大きさを比べる場面では相対誤差が向いています。

許容誤差とは性質そのものが異なります。許容誤差はあらかじめ設定しておく基準値、つまり誤差の上限であるのに対し、絶対誤差はその都度の実測から求まる実際の誤差量です。両者は「基準」と「実測結果」という異なる役割を担っています。基準となる許容誤差を先に決め、その後に実測した絶対誤差と照らし合わせるという順番の関係にあります。

MAE（平均絶対誤差）とは粒度が異なります。絶対誤差は個々のデータ1件ごとの値であるのに対し、MAEは複数データの絶対誤差を平均した集約指標です。1件の測定・予測を評価するか、モデル全体や測定プロセス全体を評価するかという視点の違いとして整理できます。

4. ビジネス・実務での活用シナリオ

製造業の品質管理では、部品の寸法を測定して設計値との絶対誤差を求め、あらかじめ定めた許容誤差の範囲内かどうかで合格・不合格を判定します。絶対誤差という単一の指標で合否を機械的に線引きできるため、検査基準を担当者ごとにぶらさずに運用できます。人の感覚に頼らず数値で判定できる点が、品質管理の現場で絶対誤差が使われる理由です。

計測・センサー機器の分野では、温度センサーなどの計測値と基準器の値との絶対誤差を確認し、値がずれてきた場合にセンサーの校正（キャリブレーション。基準となる値に合わせて、測定値のずれを補正する作業）を行うかどうかを判断します。定期的に絶対誤差を追うことで、センサーの劣化を数値の変化として捉えられます。校正のタイミングを勘や経験ではなく絶対誤差の推移で判断できる点が、実務上の利点です。

AI・機械学習モデルの評価では、回帰モデルの個々の予測について絶対誤差を確認して外れ値（他のデータから大きく離れた極端な値）となる予測を洗い出したうえで、モデル全体の実力は絶対誤差を平均したMAEで評価します。個別の予測精度と全体の傾向を、絶対誤差とMAEという粒度の異なる指標で使い分けることになります。1件の外れ値を見逃さないための絶対誤差と、モデル全体の実力を測るためのMAEは、どちらか一方では代替できない関係にあります。