はじめに：モデルの性能を最大限に引き出すために
機械学習やディープラーニングで高い精度のモデルを作るには、アルゴリズムの選択だけでなく、その「設定」を最適化することが非常に重要です。この「設定」を調整する代表的な手法の一つが、今回解説するグリッドサーチ (Grid Search) です。
この記事では、グリッドサーチとは何か、その仕組みやメリット・デメリット、そしてPythonを使った具体的な実装方法まで、初心者の方にも分かりやすく解説していきます。
グリッドサーチを理解する前提知識：ハイパーパラメータとは？
グリッドサーチの話に入る前に、まず「ハイパーパラメータ」という重要な概念を理解しておく必要があります。
機械学習モデルには、「パラメータ」と「ハイパーパラメータ」の2種類の値があります。
- パラメータ:
モデルがデータから自動で学習する値のことです。例えば、ニューラルネットワークの各ニューロン間の「重み」などがこれにあたります。 - ハイパーパラメータ:
モデルが学習を始める前に人間が設定する値のことです。モデルの性能や学習の挙動を制御する「設定値」と考えると分かりやすいでしょう。 このハイパーパラメータを調整するプロセスを「ハイパーパラメータチューニング」と呼びます。
代表的なハイパーパラメータには、以下のようなものがあります。
- 学習率 (Learning Rate): 学習を一度にどれくらい進めるかの度合い。
- バッチサイズ (Batch Size): 学習データを一度にいくつまとめて処理するか。
- エポック数 (Epochs): 学習データ全体を何回繰り返し学習させるか。
- 隠れ層の数やユニット数: ディープラーニングモデルの構造に関する設定。
これらのハイパーパラメータを適切に設定しないと、モデルの精度が上がらなかったり、学習に時間がかかりすぎたりする問題が発生します。 グリッドサーチは、この最適なハイパーパラメータの組み合わせを見つけ出すための強力な手法なのです。
グリッドサーチの仕組み
グリッドサーチは、ハイパーパラメータチューニングの手法の中でも最もシンプルで基本的なものです。その名前の通り、候補となるハイパーパラメータの値を格子（Grid）のように並べ、全ての組み合わせを総当たりで試す手法です。
例えば、調整したいハイパーパラメータが2つあるとします。
- 学習率: [0.1, 0.01, 0.001] の3つの候補
- バッチサイズ: の2つの候補
この場合、グリッドサーチは 3 × 2 = 6通りの全ての組み合わせでモデルを学習・評価し、最も性能が良かった組み合わせを「最適なハイパーパラメータ」として採用します。
手順をまとめると以下のようになります。
- 調整したいハイパーパラメータと、その候補となる値をリストアップする。
- 候補値の全ての組み合わせ（グリッド）を作成する。
- 各組み合わせを使ってモデルを学習させ、交差検証（クロスバリデーション）などを用いて性能を評価する。
- 全ての組み合わせの中で、最も評価の高かったものを最適なハイパーパラメータとして選択する。
グリッドサーチのメリットとデメリット
総当たりで探索するグリッドサーチには、分かりやすいメリットと、それに伴う明確なデメリットが存在します。
メリット
- 網羅的な探索による信頼性: 指定した範囲内では全ての組み合わせを試すため、最適な解を見逃す可能性が低いという大きな利点があります。
- 実装の容易さ: アルゴリズムが単純なため、Pythonのscikit-learnなどのライブラリを使えば比較的簡単に実装できます。
デメリット
- 高い計算コスト: 最大の欠点は、計算に非常に時間がかかることです。 ハイパーパラメータの種類や候補値が増えると、試すべき組み合わせの数が爆発的に増加します（「次元の呪い」とも呼ばれます）。
- 柔軟性の低さ: 最初に設定した候補値の範囲外に最適な値がある場合、それを見つけることはできません。
このため、グリッドサーチは比較的小規模な探索空間や、調整するハイパーパラメータの数が少ない場合に適した手法と言えます。
Python (scikit-learn) でのグリッドサーチ実装例
ここでは、Pythonの機械学習ライブラリであるscikit-learnの`GridSearchCV`を使って、実際にグリッドサーチを行うコードの例を紹介します。
# 必要なライブラリをインポート
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# データをロード
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=0)
# 探索したいハイパーパラメータの候補を設定
param_grid = {
'C': [0.1, 1, 10, 100],
'kernel': ['linear', 'rbf']
}
# グリッドサーチのオブジェクトを作成
# cv=5 は5分割交差検証を行う設定
grid_search = GridSearchCV(
SVC(gamma='auto'), # 対象モデル
param_grid, # 探索するハイパーパラメータ
cv=5, # 交差検証の分割数
verbose=2 # 実行時のログ出力レベル
)
# グリッドサーチを実行
grid_search.fit(X_train, y_train)
# 最も性能が良かったパラメータを表示
print(f"Best parameters: {grid_search.best_params_}")
# 最も性能が良かった時のスコアを表示
print(f"Best cross-validation score: {grid_search.best_score_:.3f}")
# 最適なパラメータで学習したモデルを使ってテストデータを評価
best_model = grid_search.best_estimator_
test_score = best_model.score(X_test, y_test)
print(f"Test set score: {test_score:.3f}")
`grid_search.fit()` を実行すると、`param_grid`で指定した組み合わせ（この例では4×2=8通り）× 交差検証の回数（5回）の計40回の学習と評価が自動的に行われます。 実行後、`best_params_`属性で最も良かったパラメータの組み合わせを、`best_score_`でその時の評価スコアを確認できます。
グリッドサーチ以外の探索手法
グリッドサーチの計算コスト問題を解決するために、より効率的な他の探索手法も開発されています。 ここでは代表的なものを2つ紹介します。
| 手法 | 特徴 | メリット | デメリット |
|---|---|---|---|
| ランダムサーチ (Random Search) | 指定された範囲からハイパーパラメータの組み合わせをランダムにサンプリングして試す手法。 | グリッドサーチより計算時間が短縮できる場合が多い。重要なハイパーパラメータに多くの試行を割り当てられる可能性がある。 | ランダムに選ぶため、最適な組み合わせを偶然見つけられない可能性がある。 |
| ベイズ最適化 (Bayesian Optimization) | これまでの探索結果を元に、次に試すべき「有望そうな」ハイパーパラメータを予測しながら効率的に探索する手法。 | グリッドサーチやランダムサーチよりも少ない試行回数で最適な解にたどり着ける可能性が高い。 | アルゴリズムが複雑で、実装が難しい。逐次的な処理のため並列化しにくい。 |
まとめ
グリッドサーチは、ハイパーパラメータの候補を全て試すという、シンプルかつ網羅的な探索手法です。 計算コストが高いというデメリットはありますが、その分かりやすさと実装のしやすさから、ハイパーパラメータチューニングの基本としてまず学ぶべき手法と言えるでしょう。
まずはグリッドサーチでハイパーパラメータチューニングの概念を掴み、そこから計算コストや探索効率を考慮して、ランダムサーチやベイズ最適化といった他の手法へとステップアップしていくのがおすすめです。