k-分割交差検証 (G検定)

1. 定義と概要

k-分割交差検証（k-fold cross-validation）とは、手元のデータをk個のフォールド（データを分割した際にできる各グループのこと）に分け、そのうち1つを評価用、残りのk-1個を訓練用として学習と評価を行う検証方法です。この操作を、評価用フォールドを入れ替えながらk回繰り返し、得られたk個の評価結果を平均してモデルの性能を見積もります。

交差検証（データの分け方を変えながら複数回学習・評価を行い、結果を平均して性能を見積もる検証方法の総称）という枠組みに含まれる代表的な具体的手法であり、実務ではk=5やk=10という値がよく使われますが、これは絶対的な基準ではありません。

交差検証という考え方自体は、複数回の分割・評価を平均して性能を見積もる総称ですが、実務では「何回に、どう区切るか」という設計判断が欠かせません。k-分割交差検証は、この区切り方を「データ全体をk個に等分する」という具体的な手順に落とし込んだ手法で、G検定でも交差検証の代表的な実装方法として扱われます。

手元のデータが少ない場合、1回だけの分割では評価用に回せるデータが心もとなくなりますが、k-分割交差検証なら全データを訓練にも評価にも一通り使えるため、限られたデータを無駄なく活用できます。kの値をいくつにするかによって評価の安定性と計算コストのバランスが変わるため、その選び方が理解の中心的な論点になります。

2. 試験対策ポイント

基本の手順は、データをk個のフォールドに分け、1つを評価用、残りのk-1個を訓練用として学習と評価を行う操作を、評価用フォールドを入れ替えながらk回繰り返し、k回分の評価結果を平均して最終的な性能とする流れです。この手順では、手元の全データが一度は評価用として使われる点に特徴があります。

単純に手元のデータをすべて訓練に使ってしまうと、そのモデルが未知のデータにどれだけ通用するか、つまり汎化性能（学習に使っていないデータに対しても性能を保てる度合い）を確かめる手立てがなくなります。評価用のフォールドを毎回入れ替える工夫には、その手立てを確保する意味があります。

kの値の選び方には、評価の安定性と計算コストのトレードオフ（一方を追求すればもう一方が犠牲になる関係）があります。kを大きく振るか小さく振るかで、次のように反対方向へ動きます。

kの振り方	1回あたりの訓練データの割合	評価の安定性	計算コスト
大きくする	増える	安定しやすい	学習と評価の回数が増えて増加する
小さくする	減る	1回だけの分割に近づき不安定になりやすい	抑えられる

どちらに振っても片方が犠牲になるため、両者の釣り合う範囲を探すことになります。実務ではk=5やk=10という値が目安として使われます。

分類タスクで正例・負例などのクラス比率（分類したいカテゴリーごとのデータの割合）に偏りがあるデータには、層化k-分割交差検証（分割の際にクラスの比率を元のデータ全体と同じに保つよう工夫したk-分割交差検証）が用いられます。通常のk-分割交差検証はランダムに分割するためクラス比率が偏る可能性がある、という点が両者の違いです。

たとえば陽性データが少ない検査データをそのまま等分すると、あるフォールドには陽性が1件も含まれないという事態も起こりえますが、層化k-分割交差検証はこうした偏りを避ける工夫です。

また、kの値をデータの件数と同じ数まで大きくした極端な場合を1つ抜き交差検証と呼びます。英語ではLOOCVと略されますが、具体的な手順や計算コストの詳細は別の話題として扱われます。

3. 関連概念との比較・相違点

k-分割交差検証は、ホールドアウト検証（手元のデータを1回だけ訓練用と評価用に分けて評価する方法）や1つ抜き交差検証と並べると、分割と評価をどう繰り返すかという設計の違いが見えてきます。

手法	分割と評価の繰り返し方	計算コスト
ホールドアウト検証	1回だけ訓練用と評価用に分けて終える	低い
k-分割交差検証	評価用フォールドを入れ替えながらk回繰り返す	kを大きくするほど増加する
1つ抜き交差検証	kをデータ件数と同じにし、1件を除いた残り全部を訓練用に使う	繰り返し回数が最大になり負担が大きい

ホールドアウト検証との最大の違いは、分割と評価を1回で終えるか、k回に分けて繰り返すかという点にあります。ホールドアウト検証は手順がシンプルな一方、たまたま偏った分割になった場合に評価結果がぶれやすいという弱点を抱えます。k-分割交差検証は複数回の平均を取ることで、その偏りの影響を抑えられるという関係にあります。

データ量が豊富で計算資源にも余裕があるならk-分割交差検証、素早く見積もりたいならホールドアウト検証、という使い分けになります。なお、ハイパーパラメータ（学習の前に人が決めるモデルの設定値）の調整を目的にk-分割交差検証を使う場合には、そのとき評価用に回るフォールドが検証データ（学習には使わず、モデルの設定を調整するために使うデータ）の役割を担います。

1つ抜き交差検証との違いは、kをいくつに設定するかという設計判断に集約されます。k-分割交差検証はk=5やk=10のように任意の整数を選びますが、1つ抜き交差検証はkをデータの件数と同じ数にした特殊な場合にあたります。

データ件数が多い場合、この繰り返し回数の多さが計算コストの大きな負担になるという関係が対比されます。両者は「同じ枠組みの中でkの取り方だけが違う」という位置づけで整理すると理解しやすくなります。

4. ビジネス・実務での活用シナリオ

医療画像診断の現場では、疾患陽性のデータが少なく比率も偏りやすい検査データに対して、層化k-分割交差検証で各フォールドの陽性・陰性の比率をそろえてから精度を評価します。ランダムな分割のまま評価すると、たまたま陽性データが少ないフォールドができて見積もりを誤る可能性があり、比率をそろえる工夫が実務上の判断材料になります。診断支援モデルの評価では、この見積もりの誤りが医療現場の信頼にも直結するため、比率をそろえる意味は小さくありません。

製造業の欠陥検知では、複数の候補モデルやハイパーパラメータ（モデル自身では学習できず、人があらかじめ決めておく設定値）の組み合わせを、k=5のk-分割交差検証で比較します。特定の1回の分割にたまたま適合しただけのモデルを選ばないようにする狙いがあり、複数回の評価を平均する仕組みがこの目的に合っています。製造ラインごとに欠陥の見え方が異なる場合でも、複数のフォールドで安定して精度が出るモデルを選べば、現場をまたいだ運用でも性能のぶれを抑えやすくなります。

マーケティングの解約予測でも、解約者が少数派で比率が偏りやすい顧客データに対して層化k-分割交差検証が使われます。評価の信頼性を確保したうえで施策対象を絞り込む、という流れが実務の判断プロセスに組み込まれています。解約予測のように少数派の見逃しが機会損失に直結する場面では、偏りのない評価が施策の的中率を左右します。

5. 要点まとめ

• k-分割交差検証は、データをk個に分けて1つを評価用・残りを訓練用とする学習と評価をk回繰り返し、結果を平均して性能を見積もる検証方法です。
• kを大きくすると評価は安定しますが計算コストが増加し、小さくすると計算コストは下がりますが評価が不安定になりやすいというトレードオフがあり、k=5やk=10が目安として使われます。
• クラス比率に偏りがあるデータには層化k-分割交差検証が用いられ、kをデータの件数と同じ数にした特殊な場合が1つ抜き交差検証にあたります。

6. 確認問題