はじめに：なぜ交差検証が必要なのか？
機械学習でAIモデルを開発するとき、そのモデルが「どれくらい賢いか」を正しく評価することは非常に重要です。しかし、モデルの学習に使ったデータだけで性能を評価すると、過学習（オーバーフィッティング）という問題が起こることがあります。
過学習とは、モデルが学習データを「丸暗記」してしまい、そのデータに対しては非常に高い精度を出すものの、未知の新しいデータに対しては全く予測が当たらなくなる状態のことです。これでは、実世界で役立つモデルとは言えません。
この過学習を防ぎ、モデルが未知のデータに対してどれだけ正しく予測できるかという「汎化性能」を正確に測るために交差検証（Cross-Validation）という手法が使われます。
交差検証の基本的な考え方
交差検証の基本的なアイデアは、手元にあるデータを「訓練データ（学習用データ）」と「テストデータ（検証用データ）」に分割し、訓練データでモデルを学習させた後、テストデータでその性能を評価するというものです。 これを複数回、分割するパターンを変えながら繰り返し、評価結果の平均を取ることで、より信頼性の高い評価を目指します。
全てのデータが一度は訓練用とテスト用の両方で使われるため、限られたデータを有効活用できるというメリットもあります。
代表的な交差検証の手法
交差検証にはいくつかの種類がありますが、ここでは代表的なものを紹介します。
k-分割交差検証 (k-Fold Cross-Validation)
最も広く使われている代表的な手法です。 手順は以下の通りです。
- データをk個のグループ（fold）に均等に分割します。
- そのうちの1つのグループをテストデータとし、残りのk-1個のグループを訓練データとしてモデルを学習・評価します。
- これを、全てのグループが1回ずつテストデータになるように、合計でk回繰り返します。
- 最後に、k回分の評価スコアの平均値を算出し、最終的なモデルの性能とします。
一般的にkには5や10がよく使われます。
層化k-分割交差検証 (Stratified k-Fold Cross-Validation)
これはk-分割交差検証の改良版で、特に分類問題で役立ちます。元のデータのクラスの比率（例えば、陽性・陰性の割合など）が、分割後の各グループでも維持されるように分割します。 これにより、データのクラスに偏りがある場合でも、より公平で安定した評価が可能になります。
一つ抜き交差検証 (Leave-One-Out Cross-Validation, LOOCV)
k-分割交差検証の特殊なケースで、データのサンプル数（N）をkの値としたものです。 つまり、N個のデータのうち1つだけをテストデータ、残りのN-1個を訓練データとして学習と評価を行います。これをデータの数だけ繰り返します。 データが非常に少ない場合に有効ですが、計算回数がデータ数と同じだけ必要になるため、計算コストが非常に高くなるというデメリットがあります。
各手法の比較表
| 手法名 | 説明 | 主な用途・特徴 |
|---|---|---|
| k-分割交差検証 | データをk個に分割し、1つをテスト、残りを訓練に使う。これをk回繰り返す。 | 最も一般的で広く使われる。計算コストと評価の信頼性のバランスが良い。 |
| 層化k-分割交差検証 | 各分割のクラスの比率を、元のデータセットの比率と等しく保つ。 | 分類問題、特にクラスのデータ数に偏りがある場合に有効。 |
| 一つ抜き交差検証 (LOOCV) | データ1つだけをテストデータとし、それをデータ数分繰り返す。 | データ数が少ない場合に有効。計算コストが非常に高い。 |
Python (scikit-learn) での実装例
Pythonの機械学習ライブラリであるscikit-learnを使うと、交差検証を簡単に実装できます。 ここでは、k-分割交差検証の簡単な例を紹介します。
KFoldクラスやStratifiedKFoldクラスを使ってデータの分割方法を定義し、cross_val_score関数で交差検証を一度に実行するのが一般的です。
from sklearn.model_selection import KFold, cross_val_score
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
# サンプルデータの生成
X, y = make_classification(n_samples=100, n_features=20, random_state=42)
# モデルの定義（例：ロジスティック回帰）
model = LogisticRegression()
# 交差検証の設定（5分割）
# shuffle=Trueにすることで、分割前にデータをシャッフルする
kf = KFold(n_splits=5, shuffle=True, random_state=42)
# 交差検証の実行
# cvにKFoldオブジェクトを渡し、評価指標(scoring)を指定する
scores = cross_val_score(model, X, y, cv=kf, scoring='accuracy')
# 結果の表示
print(f"各回のスコア: {scores}")
print(f"平均スコア: {scores.mean():.4f}")
print(f"スコアの標準偏差: {scores.std():.4f}")交差検証の注意点
- 計算コスト: 交差検証はモデルの学習を複数回行うため、1回だけ学習する場合に比べて計算時間がかかります。
- データリーク（Data Leakage）: データを分割する際に、本来は見てはいけない情報（テストデータの内容など）が訓練データに混入してしまうことです。特に時系列データを扱う際は注意が必要です。過去のデータで未来を予測するモデルを作る場合、未来のデータが訓練データに含まれないように、時系列を考慮した分割（例: scikit-learnの
TimeSeriesSplit）を行う必要があります。
まとめ
交差検証は、機械学習モデルの性能を客観的に評価し、過学習を防ぐために不可欠な手法です。 手法にはいくつかの種類があり、データの内容や目的に応じて適切なものを選択することが、信頼性の高いモデルを構築するための鍵となります。
本記事が、交差検証の理解を深める一助となれば幸いです。