分類モデル
分類モデルは、特徴量ベクトルから有限個のクラスラベルへ写像する監督学習の枠組みである。製造においては外観検査の「OK/NG」、工程異常の「正常/異常」、材料グレードの識別など、意思決定の境界を数理的に定義して自動化する。データは入力分類モデル用の特徴量と正解ラベルから成り、学習・検証・テストに分割して汎化性能を評価する。現場ではクラス不均衡、データ漏洩、経時変化（ドリフト）への対処が品質確保の要点となる。
基本概念と問題設定
分類モデルは二値分類、単一ラベルの多クラス分類、複数ラベルが同時に立つ多ラベル分類の三類型に整理できる。決定境界は確率モデルであれば事後確率最大化、幾何学的手法であればマージン最大化として定義される。データ分割は層化を行い、性能推定には交差検証を用いる。評価時は未知データのみを使い、特徴量の前処理は訓練データで学習し検証・テストへ伝播することでデータ漏洩を防ぐ。不均衡が強い場合は閾値最適化やクラス重み、再サンプリングを併用する。
代表的アルゴリズム
分類モデルの選定はデータ規模、線形分離性、説明性要求で変わる。基礎から実務での使いどころを押さえると運用が安定する。
- ロジスティック回帰：確率出力が得られ、係数により寄与が解釈しやすい。L1/L2正則化で過学習を抑制する。
- 決定木：分岐規則が可視化できるが単体では高分散になりやすい。
- ランダムフォレスト／勾配ブースティング：多数決・加算により高精度を実現しやすい実務定番。
- SVM：マージン最大化により堅牢。カーネルで非線形境界を表現可能。
- k-NN：学習不要で直感的だが高次元・大量データでは計算量が課題。
- ナイーブベイズ：条件独立仮定の下で軽量高速、テキストで有効な場面が多い。
- ニューラルネットワーク：特徴学習能力が高く、画像・時系列で強力だがデータ量とチューニングが鍵。
評価指標と可視化
分類モデルの評価では混同行列を起点に、適合率（Precision）、再現率（Recall）、F1、正解率（Accuracy）を用いる。不均衡下ではAccuracyは過大評価しやすく、ROC-AUCやPR-AUCが有効である。多クラスではマクロ平均（各クラス同等重み）とマイクロ平均（サンプル重み）を区別する。確率出力の校正（Platt scaling、等温回帰）により閾値設計の安定性が増す。業務コストに応じて偽陽性・偽陰性の重みを設け、Youden’s Jなどで運用閾値を決める。
データ前処理と特徴量設計
標準化や正規化は距離ベース手法や勾配法で効果が大きい。カテゴリ変数はone-hotやターゲットエンコーディングを用い、欠損は意味に応じて削除・代入・「欠損フラグ」化を選ぶ。次元削減（PCA）や特徴選択は汎化と速度を両立させる。不均衡対策としてはクラス重み付け、アンダー／オーバーサンプリング、合成法（SMOTE）が代表的で、学習と検証の分割前に情報が漏れないよう厳格にパイプライン化する。
多クラス・多ラベル・階層分類
多クラスではone-vs-rest、one-vs-one、確率的に直接Kクラスへ写像する手法の選択肢がある。多ラベルではサンプルごとに独立ベルヌーイを仮定する二値器の組合せが基本で、評価はサブセット精度、Hamming loss、ラベル単位のF1を併用する。カテゴリ体系がツリー構造なら階層分類を採用し、誤りコストを階層距離で定義することで業務影響に沿った最適化が可能となる。
実務導入と運用
製造業では画像検査での欠陥クラス識別、センサ時系列からの状態判定などが代表例である。学習時は層化k-foldで安定評価し、ハイパーパラメータ探索は探索空間を明示し早期終了を用いる。推論導入後はデータ・概念ドリフトの監視、しきい値・校正の見直し、周期的再学習を行う。説明性は監査やトラブルシュートに不可欠で、木系では特徴重要度、他モデルではSHAP等で局所説明を得る。MLOpsの観点ではモデル・データ・特徴量変換のバージョン管理、特徴量ストア、オンライン／バッチの整合性担保が品質維持に直結する。
ベストプラクティス
分類モデルでは、①問題定義時に業務損失を数式化し指標・閾値へ落とす、②前処理・特徴量・学習器・評価を単一パイプラインに封入し交差検証で一貫運用、③層化分割でデータリークを防ぎ、訓練データのみでスケーラー等を学習、④確率校正としきい値最適化で意思決定を安定化、⑤本番では入力監視・外れ値検知・再学習契機を定義、⑥モデルの説明性と変更履歴を記録、を守ることが成功の近道である。これらを徹底すれば、現場要件に即した堅牢な分類モデルを継続的に供給できる。
コメント（β版）