🔖 キーワード索引

本ページは クラス不均衡（Class Imbalance）を 12 のセクションで多角的に解説します。 上のチップは検索・関連語の手がかりです。 以下のリンクで各セクションに直接ジャンプできます：

🎨 直感で掴む

機械学習は「データから規則を学ぶ」アプローチ。 ルールベース（明示的に書く）に対し、 データから自動でパターンを獲得する点が特徴です。

本ページでは クラス不均衡 を、 定義・前提条件・使い方・落とし穴の順に整理して解説します。 厳密な定義より、 まず何を、 いつ、 どう使うかを理解することを優先してください。

🎨 直感で掴む — 具体例で理解する

クラス不均衡では「常に多数派と予測するだけで Accuracy 99%」が成立し、 精度評価が崩壊する。 直感的に「少数派こそ拾うべき重要クラス」が多いため、 PR-AUC や F1、 Recall を主指標に据える。 学習側では SMOTE（合成オーバーサンプリング）・クラス重み・損失関数の重み付けで少数派を強調する。

🎨 もう一歩踏み込む直感

「クラス不均衡」を本当に使いこなすには、 教科書的な定義だけでは足りません。 ここでは現場で役立つ追加の比喩・実例を整理します。 上の「🎨 直感で掴む」を補強する内容です。

• 1000 件中 5 件のがん：『全員陰性』予測でも精度 99.5%。 でも臨床的に無価値。 不均衡だと accuracy は誤解を生む。
• SMOTE：少数クラスを補間して合成。 ただし元データの近傍に偏るので、 多様性が出ない場合あり。
• クラス重み：sklearn の class_weight='balanced' は最も手軽で効果的。 まず試すべき。

🎮 触って理解する

スライダーで 少数派の割合（不均衡度） と 分類器の分離度（性能） を動かし、 リサンプリング（オーバー／アンダー）を切り替えると、 図と数値がリアルタイムで更新されます。
ねらいは 「全部多数派と予測するだけの自明分類器」の accuracy が、 不均衡が強いほど高く見える（が中身は無意味）ことを体感し、 F1・recall・balanced accuracy がその嘘を暴くことを確かめることです。

🧭 この体験から読み取ってほしいこと

• accuracy の錯覚：少数派割合を 1% に近づけると、 「全部多数派」の自明分類器の accuracy が 99% 付近まで上がります。 だが recall＝0・F1＝0・balanced accuracy＝0.5（＝当てずっぽうと同じ）。 accuracy だけを見ると無策のモデルを「優秀」と誤認します。
• balanced accuracy / F1 の役割：これらは少数派を 1 件も拾えていない事実を 0 近辺の値で正直に暴きます。 不均衡では accuracy より こちらを主指標にします。
• リサンプリングの効果：「なし」ではベイズ最適閾値が多数派側に寄り、 少数派を取りこぼしがちです。 オーバー／アンダーで 50:50 に均すと閾値が中点へ動き、 recall が上がる代わりに precision と accuracy は下がる——トレードオフが目で見えます。

🕳️ よくある落とし穴（この画面で再現できる）

• accuracy の誤用：分離度 d を 0 にすると分類器は完全に無力ですが、 少数派割合が小さければ accuracy は高いまま。 「高精度」の報告が実は自明分類器と同じ、 という事故の再現です。
• 少数派の軽視：precision だけを追うと少数派を予測しないほうが有利に見えることがあります（陽性を出さなければ偽陽性ゼロ）。 recall とセットで見ないと少数派を切り捨てます。
• オーバー vs アンダーの違い：どちらも運用上は「50:50 へ均して閾値を動かす」効果は似ますが、 オーバーは少数派を複製するため過学習リスク、 アンダーは多数派を捨てるため情報損失（小標本では致命的）。 図の学習データ帯の総量差に注目してください。

🚀 発展：閾値・コスト・SMOTE へ

• 閾値調整：リサンプリングの本質は「決定閾値をずらす」こと。 モデルを作り直さず閾値だけ動かすのが最も安価な対策です（本ページ「14. 閾値調整の実践」参照）。
• コスト考慮（cost-sensitive）：偽陰性コスト C_FN と偽陽性コスト C_FP が非対称なら、 総コスト C_FN×FN + C_FP×FP を最小化する閾値を選びます。 医療・不正検知では必須。
• SMOTE / ADASYN：単純複製ではなく少数派を 合成して補間するオーバーサンプリング。 決定境界を少数派側へ押し広げます（本ページ「12. SMOTE の内部動作」参照）。 ただし test には決して適用しない（データリーケージ）。

関連ページ：正解率(Accuracy)・適合率(Precision)・再現率(Recall)・F1スコア・Precision-Recall・混同行列・AUC。 （SMOTE・PR-AUC・balanced accuracy の個別ページは未作成のため本ページ内で解説）

📐 定義

クラス分布が偏っている問題

英語名 Class Imbalance。 同義・関連語：不均衡データ。

🎯 いつ・どこで使うか

• 「ML基礎」分野の標準的な道具として、 多くの分析で登場します。
• 📚 機械学習の基礎 を学ぶときに必ず通過する基本概念です。
• 論文・実務レポートで頻出する用語なので、 1 度はちゃんと理解しておくと後が楽です。

📋 前提条件・適用範囲

この用語を理解・使用するときは、 次のような前提を意識してください：

• データの性質：尺度（名義/順序/間隔/比例）と分布を確認
• サンプル数：手法によって最低限のサンプル数が異なります
• 独立性：観測が独立であるかを確認（時系列・パネル等では別の手法が必要）
• 欠損・外れ値：前処理の方針を明確に

📐 数式・定義

クラス不均衡を数式 / 形式定義で表す：

クラス不均衡で標準的に使われる F1 スコア：適合率と再現率の調和平均。 多数派偏重の Accuracy より少数派の取りこぼしに敏感。

📐 もう一段の数式表現

「クラス不均衡」を厳密に書き下すと、 以下の形になります。 既出の数式と合わせて読むと、 概念の骨格が見えてきます。

🔬 数式を言葉で読み解く

上の数式に出てきた記号を 1 つずつ解説します。 数式が出てくる試験問題（統計検定・G 検定・基本情報）では、 各記号の意味を答えられるかが分岐点：

🔬 発展トピック

「クラス不均衡」を入門レベルで習得した次に進むべき発展テーマ：

① 理論的拡張

基本概念を 確率論・情報理論・最適化理論の観点で再定式化すると、 隣接する手法との理論的な関係が見えてきます。 たとえば 正則化は事前分布の最大事後推定と等価、 クロスエントロピー損失は KL ダイバージェンスを最小化、 といった対応関係を押さえると教科書間の往復が楽になります。

② 実装的拡張

scikit-learn 標準実装の外側に出ると、 GPU 対応・分散学習・低精度浮動小数点（fp16/bf16）・量子化（int8）・グラフ最適化（TorchScript・ONNX Runtime）など、 推論性能を 10–100 倍引き上げるテクニックが豊富にあります。 本番運用では モデル精度と推論コストのトレードオフを意識した実装が鍵。

③ 評価・解釈の拡張

予測精度だけでなく SHAP・LIME・Permutation Importance によるモデル解釈、 Calibration（確率の校正）、 Counterfactual Explanation、 Fairness 指標（demographic parity, equalized odds 等）を組合せると、 業務応用での説得力が一段増します。

④ 業界応用

医療（薬機法・GxP）・金融（モデル管理ガイドライン）・公共（個人情報保護法）など、 業界固有の規制・ガイドラインを モデル設計段階から埋め込むのが現代のスタンダード。 「クラス不均衡」を業務適用するときは、 ドメインの専門家・法務との早期コラボレーションが成否を分けます。

🔬 数式を言葉で読み解く（拡張版）

追加の数式についても、 各記号を 1 つずつ「日本語」で言い換えます。 「数式を音読する」とは、 こういう作業のことです。

左辺

本用語が「何を定義しようとしているのか」を端的に表す。 ここを最初に押さえる。

右辺の主要項

左辺を成立させるための構成要素。 各項の符号・順序・係数に意味がある。

下付き・上付き添字

時刻・サンプル番号・次元など、 「どの集合の上で操作するか」を示す重要情報。 見落とすと意味が反転することも。

演算子（Σ, ∫, ∏ など）

「すべての要素を集約する」操作。 範囲（i=1..n など）を必ず一緒に読む。

🔬 数式を言葉で読み解く（クラス不均衡）

1. クラス不均衡とは何か（直感）

クラス不均衡（class imbalance）とは、 分類問題において「正例（ポジティブクラス）」と「負例（ネガティブクラス）」のサンプル数が大きく偏っている状態を指す。 たとえば、 クレジットカードの不正利用検知では、 全取引のうち不正は 0.1% 程度しかなく、 残り 99.9% は正常取引である。 この比率を 1:999 と呼ぶ。 同様に、 医療診断で「ある稀少疾患を持つ患者を判別する」場合、 健常者が 9900 人に対して患者が 100 人（1:99）といった偏りが発生する。 製造業の不良品検出、 ネットワーク侵入検知、 倒産予測なども同じ性質を持つ。

不均衡データに対して「ふつうに」機械学習モデル（ロジスティック回帰、 ランダムフォレスト、 ニューラルネットなど）を学習させると、 モデルは「全部を多数派クラス（正常）と予測する」だけで accuracy 99.9% を達成できてしまう。 しかし、 これは目的（不正検知）を全く達成していない。 この見せかけの高精度こそが、 不均衡データの最大の落とし穴である。

SSDSE-B-2026 のような都道府県データでは直接の不均衡分類問題は少ないが、 「人口減少率が全国平均を 2 標準偏差以上下回る都道府県」（47 中 2-3 県）を予測するような問題設定にすれば、 不均衡比 約 1:20 の典型例となる。 また、 「東京都・大阪府のような特殊大都市圏か否か」のラベル（2:45）も同様。

2. 不均衡比と評価指標

不均衡比（imbalance ratio, IR）は IR = N_majority / N_minority で定義される。 IR = 1 は完全均衡、 IR > 10 で「中度不均衡」、 IR > 100 で「強度不均衡」、 IR > 1000 で「極端不均衡」と呼ばれる。

不均衡データでは accuracy（正解率）は意味を失う。 代わりに以下を使う：

• Precision（適合率）: TP / (TP + FP)。 「陽性と予測したうち、 本当に陽性だった割合」
• Recall（再現率、感度）: TP / (TP + FN)。 「本当に陽性のうち、 検出できた割合」
• F1 スコア: 2 · Precision · Recall / (Precision + Recall)。 両者の調和平均
• MCC（Matthews 相関係数）: 不均衡に頑健で -1 〜 +1。 0 はランダム予測
• PR-AUC: Precision-Recall 曲線下面積。 強度不均衡で ROC-AUC より敏感
• ROC-AUC: 不均衡比に依存しないが、 強度不均衡では楽観的になる
• G-mean: √(Recall_pos · Recall_neg)。 両クラスのバランスを取る
• Balanced Accuracy: (Recall_pos + Recall_neg) / 2。 直感的な平均

実務では F1 と PR-AUC が王道。 医療系（見逃しコストが大）では Recall を優先、 マーケティング（誤検知コストが大）では Precision を優先。

3. リサンプリング戦略

不均衡を扱う最も直接的な手法は「データそのものをいじる」ことである。 大別して 3 種：

3.1 アンダーサンプリング

多数派クラスからランダムにサンプルを削除して、 少数派と同じ規模にする。 シンプルだが情報損失が起こる。 強度不均衡（1:1000）では 99.9% を捨てることになり実用に堪えない。 改善版として Tomek Links（多数派と少数派の境界に近いペアを削除）、 ENN（Edited Nearest Neighbors、 多数派の中で少数派に囲まれた点を削除）、 NearMiss-1/2/3（少数派に近い多数派点だけ残す）などがある。

3.2 オーバーサンプリング

少数派クラスを複製して数を増やす。 最単純はランダム複製だが、 同じデータが何度も登場するため過学習しやすい。 これを改善するのが SMOTE（Synthetic Minority Over-sampling Technique、 Chawla 2002）。

SMOTE の核心: 少数派サンプル x_i を選び、 その k 近傍（同じ少数派クラス内）から x_j をランダム抽出。 新サンプルを次式で生成：

x_new = x_i + λ · (x_j - x_i),  λ ~ Uniform(0, 1)

つまり 2 点の線分上にランダムに点を打つ。 拡張版として Borderline-SMOTE（境界近傍の少数派のみ対象）、 ADASYN（Adaptive Synthetic Sampling、 分類が困難な少数派ほど多く生成）、 SVM-SMOTE（SVM 境界に基づく合成）、 KMeans-SMOTE（クラスタごとに SMOTE）がある。

3.3 ハイブリッド戦略

SMOTE で少数派を増やしてから Tomek Links で境界をクリーンにする SMOTETomek、 同様に ENN を組み合わせる SMOTEENN が定番。 imbalanced-learn ライブラリで SMOTETomek() 一行で実装可能。

4. アルゴリズムレベルの対処

データを変えずに、 モデル側で不均衡を扱う方法。

4.1 クラス重み付け（class weighting）

損失関数で少数派クラスのサンプル誤分類により大きなペナルティを与える。 scikit-learn なら class_weight='balanced' を指定するだけ。 これは内部で w_c = N_total / (N_classes · N_c) を計算し、 各クラスの重みを N_c に反比例させる。 ロジスティック回帰、 SVM、 ランダムフォレストすべてで使える。

4.2 焦点損失（Focal Loss）

深層学習の物体検出（RetinaNet、 Lin 2017）で提案。 通常の交差エントロピー -log(p_t) を、 (1-p_t)^γ · log(p_t) に置換。 既に正しく分類できているサンプル（p_t が 1 に近い）への損失を抑え、 難しい例に集中させる。 γ=2 が標準。

4.3 閾値最適化（threshold tuning）

分類器の出力確率を 0.5 で切るのが慣例だが、 不均衡データでは最適な閾値は 0.5 ではない。 検証データで F1 や Youden's J statistic を最大化する閾値を選ぶ。 PR 曲線を描いて、 業務要件（Precision 0.8 を満たす最低 Recall は？）を満たす閾値を読み取るのが王道。

4.4 アンサンブル法

Balanced Random Forest（各決定木に対し少数派と同サイズの多数派をブートストラップ）、 EasyEnsemble（多数派をランダム分割し各分割で AdaBoost）、 BalanceCascade（学習した分類器が正しく分類した多数派を順次削除）など。

5. 異常検知としての再定式化

不均衡比が 1:10000 を超える極端不均衡では、 もはや「分類問題」ではなく「異常検知問題」として扱うのが理に適う。 多数派（正常）だけでモデルを学習し、 そこから外れるものを異常とみなす。

• One-Class SVM: 正常データの周りに超球面を構築
• Isolation Forest: ランダム分割の早さで異常を検出（少数派は早く分離される）
• Autoencoder: 正常データの再構成誤差で判定
• LOF（Local Outlier Factor）: 局所密度ベース
• Deep SVDD: 深層 One-Class

6. 業務応用と ROI

不均衡データの応用例とそのコスト構造：

これらは「期待損失最小化」の問題として再定式化できる。 E[Loss] = C_FN · P(FN) + C_FP · P(FP)。 たとえばクレカ不正で C_FN = 50000 円（平均被害）、 C_FP = 100 円（電話確認費）なら、 閾値は P(正解) > C_FP / (C_FP + C_FN) ≒ 0.002 まで下げてよい（カットオフを大幅に低くして Recall を稼ぐ）。

7. 落とし穴と実装の罠

• SMOTE は学習データのみに適用。 検証・テストデータには絶対に適用しない（リーク）
• SMOTE は交差検証の fold 内 で実施。 fold 分割前に SMOTE してから CV すると性能が楽観バイアス
• scikit-learn の Pipeline と imbalanced-learn の Pipeline は別物（後者を使う）
• カテゴリ変数を含むデータには SMOTE-NC（Nominal-Continuous）を使う
• クラス重みと SMOTE を併用すると過剰補正になりがち
• 不均衡比が時間で変動する場合（不正パターンが変化）、 静的な重みは陳腐化する
• 少数派が完全に多数派の中に埋もれている「ノイズ的不均衡」では、 どの手法も効かない（特徴量設計が先）

8. 実装例（class_weight 比較）

scikit-learn での最小コード（Iris の binarize 版で擬似的に不均衡を作成し、 class_weight の有無で比較）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score, recall_score
X, y = load_iris(return_X_y=True)
y = (y == 2).astype(int)  # クラス 2 だけ陽性（1:2 の弱い不均衡）
# class_weight なし
lr1 = LogisticRegression().fit(X, y)
# class_weight='balanced'
lr2 = LogisticRegression(class_weight='balanced').fit(X, y)
print(f1_score(y, lr1.predict(X)), f1_score(y, lr2.predict(X)))

✅ 理解度チェック

1. 不均衡比 1:1000 のクレカ不正検知で「全件を正常と予測」したときの accuracy はいくらか。 また、 この値が業務的に無価値である理由を 30 字以内で説明せよ。
2. SMOTE で少数派サンプル x_i=(2, 3)、 k 近傍として x_j=(4, 5) を抽出した。 λ=0.3 のとき生成される合成サンプル x_new の座標を求めよ。
3. 医療診断で「見逃しコスト C_FN = 100 万円、 誤検知コスト C_FP = 1 万円」の場合、 期待損失最小化の閾値は何になるか。 また、 この閾値設定が Precision/Recall のどちらを優先するか述べよ。

解答例: (1) 99.9%。 不正を 1 件も検知できないため業務目的を達成しない。 (2) x_new = (2+0.3·2, 3+0.3·2) = (2.6, 3.6)。 (3) 閾値 = 1/(1+100) ≒ 0.0099。 Recall を強く優先する設定（見逃し回避）。

🧪 クラス不均衡が引き起こす評価指標の歪み（深掘り）

クラス不均衡データを扱うときに最も誤解されやすいのが「accuracy（正解率）の罠」である。 例えば不正検知データセットで陽性（不正）が 0.1% しかない場合、 「すべて陰性と予測する」だけで accuracy = 99.9% が達成できてしまう。 しかし、 これは「不正を 1 件も検知できないモデル」であり、 業務的にはまったく無価値である。 こうした評価指標の歪みを正しく理解するために、 不均衡データで使うべき指標を整理する。

📊 不均衡データで信頼できる評価指標 8 種類

🔬 PR-AUC と ROC-AUC の違いを実値で確認

このコードでやること: SSDSE-B-2026 の「高齢化率 > 35%」を陽性（不均衡）として、 ROC-AUC と PR-AUC の挙動の差を確認する。

📥 入力データ（SSDSE-B-2026 抜粋）:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score, average_precision_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': 'year', 'Prefecture': 'pref'})
df = df[df['year'] == 2022].copy()

# 高齢化率 = 65歳以上人口(A1303) / 総人口(A1101)
aging = df['A1303'] / df['A1101']
y = (aging > 0.35).astype(int)          # 高齢化率35%超を陽性（不均衡）
X = df[['A4101', 'A5101', 'A5102']]     # 出生数・転入・転出（目的と独立な特徴量）

clf = LogisticRegression(max_iter=1000).fit(X, y)
prob = clf.predict_proba(X)[:, 1]

print(f"陽性比率 : {y.mean():.3f}")
print(f"ROC-AUC  : {roc_auc_score(y, prob):.3f}")
print(f"PR-AUC   : {average_precision_score(y, prob):.3f}")

📤 実行例:

💬 陽性はわずか 3/47（6.4%）。 ROC-AUC が 0.90 と高くても、 PR-AUC は 0.73 と控えめ。 不均衡データでは ROC-AUC が楽観的になる傾向があり、 業務判断には PR-AUC を併記すべきという結論が得られる。

📏 各指標が「業務 KPI」とどう対応するか

🧭 「accuracy = 99% でも危険」を可視化する 3 つの観点

1. Confusion Matrix を必ず提示：TP/FP/FN/TN の生数値を見るだけで、 多数派偏重か少数派検出ができているか即座にわかる。
2. Recall を必ず併記：accuracy が高くても Recall が 0.0 なら少数派検出に失敗している。
3. Cost-sensitive 評価：FN コスト × FN 数 + FP コスト × FP 数 を業務金額換算すると説得力が劇的に増す。

🛠 リサンプリング手法の体系と落とし穴

不均衡データに対応する代表的アプローチが「リサンプリング」である。 大別すると Under-sampling（多数派削減）、 Over-sampling（少数派増加）、 ハイブリッド（両者組合せ）、 合成データ生成（SMOTE 系） の 4 系統がある。 ここではそれぞれの仕組み・適用条件・典型的な失敗パターンを整理する。

🧮 主要リサンプリング手法 10 種類

🔬 SMOTE の数式と挙動

SMOTE は、 少数派サンプル x_i とその k 近傍 x_j の間に新サンプルを生成する:

$$x_{new} = x_i + \lambda \cdot (x_j - x_i), \quad \lambda \sim U(0, 1)$$

つまり、 線形補間によって少数派の「内部空間」を埋めるイメージ。 ただし、 少数派が外れ値だった場合、 その外れ値の周りに偽の少数派が生成されてしまい、 結果として境界が破壊される。

🐍 imbalanced-learn による SMOTE 実装

このコードでやること: SSDSE-B-2026 の「高齢化率 > 35%」（3 県のみの強い不均衡）を陽性とし、 SMOTE 前後で少数派の Recall がどう変わるかを比較する。

📥 入力データ（SSDSE-B-2026 抜粋）:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import pandas as pd
from imblearn.over_sampling import SMOTE
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': 'year', 'Prefecture': 'pref'})
df = df[df['year'] == 2022].copy()

# 高齢化率35%超（3県のみ）を陽性とする強い不均衡
aging = df['A1303'] / df['A1101']
y = (aging > 0.35).astype(int)
X = df[['A4101', 'A5101', 'A5102']]     # 出生数・転入・転出

print(f"原データ陽性比率 : {y.mean():.3f}")
print(f"Recall (素データ): "
      f"{cross_val_score(LogisticRegression(max_iter=1000), X, y, cv=3, scoring='recall').mean():.3f}")

# SMOTE で少数派を合成（陽性3件なので k_neighbors=2）
smote = SMOTE(k_neighbors=2, random_state=42)
X_res, y_res = smote.fit_resample(X, y)
print(f"SMOTE 後比率     : {y_res.mean():.3f}")
print(f"Recall (SMOTE後) : "
      f"{cross_val_score(LogisticRegression(max_iter=1000), X_res, y_res, cv=3, scoring='recall').mean():.3f}")

📤 実行例:

💬 素データでは少数派 3 県のうち多くを取りこぼし Recall は 0.333。 SMOTE で合成サンプルを増やすと Recall が 0.933 まで改善。 ただし、 PR-AUC や F1 で別途検証すること、 SMOTE は train 側のみに適用することが必須。

⚠️ リサンプリングの落とし穴 5 件

1. テストデータにリサンプリングをしない：性能評価が現実の不均衡分布から乖離する。 リサンプリングは train のみに適用。
2. CV 内で必ずリサンプリング：train/validation を分ける前にリサンプリングすると、 validation に合成サンプルが混入し性能が過大評価される。
3. SMOTE はカテゴリ変数に直接使えない：線形補間が意味を持たないため、 SMOTENC など別バリアントを使うか、 連続化前処理が必要。
4. 陽性が極端に少ない場合の k 近傍：陽性が 5 件しかないのに k=10 を指定するとエラー。 陽性数に応じて k を調整。
5. SMOTE 後の確率較正が崩れる：分類確率が学習データの分布と一致しないため、 業務閾値の決定に使う際は calibration が必要。

🌐 リサンプリング以外のアプローチ

• クラス重み（class_weight='balanced'）：sklearn の多くのモデルで利用可。 損失関数で少数派の誤分類を重く罰する。
• 閾値最適化：標準の 0.5 ではなく、 業務 KPI を最大化する閾値を grid search で探す。
• 異常検知としての定式化：陽性が極端に少ない場合（< 1%）、 教師なし異常検知（Isolation Forest, One-Class SVM）が有効。
• コスト感応学習：FN/FP コストを直接学習に組込むモデル（XGBoost の scale_pos_weight、 LightGBM の is_unbalance など）。

🏥 実務における不均衡対策の意思決定フロー

実務でクラス不均衡に直面した時、 単一の手法に飛びつくのではなく、 段階的な意思決定が必要である。 ここでは「データ分析プロジェクトでの典型的なフロー」と「業界別ベストプラクティス」を整理する。

📋 不均衡データ対策の 7 ステップフロー

📐 業界別「不均衡対策」のベストプラクティス

🐍 業務 KPI を最大化する閾値最適化

このコードでやること: SSDSE-B-2026 の「高齢化率 > 35%」（3 県）を陽性とし、 FN コスト = 100 万円・FP コスト = 1 万円のとき期待損失を最小化する閾値を探索する。

📥 入力データ（SSDSE-B-2026 抜粋）:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={'SSDSE-B-2026': 'year', 'Prefecture': 'pref'})
df = df[df['year'] == 2022].copy()

aging = df['A1303'] / df['A1101']
y = (aging > 0.35).astype(int)          # 高齢化率35%超（3県）を陽性
X = df[['A4101', 'A5101', 'A5102']]     # 出生数・転入・転出

clf = LogisticRegression(max_iter=1000).fit(X, y)
prob = clf.predict_proba(X)[:, 1]

# 見逃し(FN)は高コスト、過検知(FP)は低コスト
C_FN, C_FP = 1_000_000, 10_000

results = []
for thr in np.arange(0.05, 0.95, 0.05):
    pred = (prob >= thr).astype(int)
    FN = ((pred == 0) & (y == 1)).sum()
    FP = ((pred == 1) & (y == 0)).sum()
    cost = FN * C_FN + FP * C_FP
    results.append((thr, FN, FP, cost))

best = min(results, key=lambda x: x[3])
print(f"最適閾値: {best[0]:.2f}, FN={best[1]}, FP={best[2]}")
print(f"期待損失: {best[3]:,} 円")

📤 実行例:

💬 デフォルト閾値 0.5 では少数派 3 県中 3 件を見逃し（FN=3）、 損失は 300 万円。 閾値 0.30 まで下げると見逃しが 1 件に減り、 過検知 1 件を許容しても期待損失を 101 万円まで抑制できた。 業務 KPI 駆動の閾値設定の威力がわかる。

🚫 不均衡対策で絶対に避けるべき 5 つの過ち

1. accuracy のみで評価する：多数派偏重モデルでも 99% 達成可能。 必ず Precision/Recall/F1/PR-AUC を併記。
2. train/test 分割前にリサンプリング：test に合成サンプルが混入し、 性能が過大評価される。
3. SMOTE をブラックボックス的に適用：少数派が外れ値だらけの場合、 SMOTE は境界を破壊する。 必ず可視化で確認。
4. 少数派の業務的意味を無視：陽性 = 不正/がん/不良など「捕まえたいもの」の定義が現場とずれていると、 どんな手法も無意味。
5. コンセプトドリフト無視：不正手口・病態・製造装置は時間で変化する。 一度組んだモデルを永続使用すると性能劣化。 retraining 戦略を最初から組み込む。

📚 関連する重要トピック

• F1 スコア — 不均衡データで主指標になる調和平均
• ROC 曲線・PR 曲線 — 閾値非依存の可視化
• SMOTE — 合成オーバーサンプリングの代表手法（本ページ内で解説）
• コスト感応学習 — FN/FP コストを学習に組込む（本ページ内で解説）
• 異常検知 — 極端な不均衡時の代替アプローチ（本ページ内で解説）
• クロスバリデーション — 不均衡データでの正しい CV 設計
• 閾値最適化 — 業務 KPI を最大化する閾値探索（本ページ内で解説）
• 混同行列 — TP/FP/FN/TN の生数値確認

🧮 SSDSE-B 実値計算 — 都道府県データで手を動かす

SSDSE-B-2026 を 「人口減少県 vs 増加県」の二値分類に変換して、 クラス不均衡を観察する。 増加県は東京等の数県のみで明確な不均衡状況。

使用データ：SSDSE-B-2026.csv（独立行政法人 統計センター提供、 47 都道府県 × 100 超の社会経済指標）。 出典

🎯 このコードでやること: SSDSE-B-2026 を読み込み、分類器を学習、予測を取得。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, f1_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={df.columns[2]: 'pref'})

# 二値ラベル: 社会増減（A5101 - A5102）が正なら 1
df['inc'] = (df['A5101'] - df['A5102'] > 0).astype(int)
print('クラス分布:', df['inc'].value_counts().to_dict())

X = df[['A1101', 'A1303', 'F3101']].fillna(0).values
y = df['inc'].values

# class_weight='balanced' で不均衡対策
m = LogisticRegression(class_weight='balanced', max_iter=500).fit(X, y)
pred = m.predict(X)
print(f'F1 = {f1_score(y, pred):.3f}')
print(classification_report(y, pred, digits=3))

💬 読み方: SSDSE-B は 2 行ヘッダ（1 行目=英語コード、 2 行目=日本語名）。 skiprows=[1] で 2 行目の日本語ヘッダだけを飛ばし、 英語コード（A1101 など）を列名として使う。 encoding='cp932' で文字化けを回避。

▲ 上記コードはそのまま実行可能。 CP932 エンコーディング・skiprows=[1]（2 行目の日本語ヘッダをスキップし英語コード行を列名に）・列名の英数字コード（A1101 = 総人口 など）に注意。

🧮 SSDSE-B-2026 で追加実値計算

『教育用標準データセット SSDSE-B-2026』（47 都道府県、 約 100 変数）を題材に、 「クラス不均衡」を実際の数値で確認します。 数式が「動く感覚」を得ることが目的です。

🧮 数式に値を入れて手で計算する — class_weight・SMOTE・G-mean

合成データ（多数派 8 件 / 少数派 2 件）を代入し、 (1) 逆頻度 class_weight (2) SMOTE 補間 (3) G-mean = √(感度 × 特異度) の 3 数式を Step 1〜5 で順に展開する。 同じ計算を Python で再現し、 手計算と完全一致することを確認する。

📐 用語の主要数式（再掲）

$$ w_k = \frac{1}{n_k}, \qquad x_{\text{new}} = x_i + \lambda \,(x_j - x_i), \qquad \text{G-mean} = \sqrt{\text{sensitivity} \times \text{specificity}} $$

w_k はクラス k のサンプル数 n_k の逆数を重みとする。 SMOTE は少数派の最近傍 x_j と λ∈[0,1] を使って合成点 x_new を作る。 G-mean は感度（少数派の再現率）と特異度（多数派の再現率）の幾何平均で、 不均衡データの総合指標として広く使われる。

Step 1: データ準備（多数派 8 件 / 少数派 2 件、 合成）

多数派 n_0 = 8、 少数派 n_1 = 2、 不均衡比 = 4:1。

Step 2: class_weight の計算（逆頻度）

sklearn の class_weight='balanced' は n/(K·n_k) を採用する（n=10、 K=2）。 少数派の重みが多数派の 4 倍となり、 損失関数で誤分類のコストが 4 倍になる。

Step 3: SMOTE 1 点合成（少数派 P1 と P2 の補間、 λ=0.5）

SMOTE は少数派点 P1 とその最近傍 P2 を λ=0.5 で線形補間し、 中点 (14, 16) を新規少数派として追加。 不均衡比は 8:3 に改善。

Step 4: 混同行列と感度・特異度（仮想予測結果）

感度（recall_pos） = TP / (TP+FN) = 1 / 2 = 0.500、 特異度（recall_neg） = TN / (TN+FP) = 7 / 8 = 0.875。

Step 5: G-mean の最終計算

accuracy 0.800 は一見高いが、 少数派の半数を取り逃している。 G-mean 0.6614 は両クラスの再現率を同時評価しており、 不均衡下での実力をより正直に映す。

🐍 同じ計算を Python で再現

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import numpy as np
from sklearn.utils.class_weight import compute_class_weight

# Step 1: データ
X = np.array([[2,3],[4,5],[3,6],[5,4],[6,7],[7,3],[8,5],[9,6],
              [12,14],[16,18]])
y = np.array([0,0,0,0,0,0,0,0, 1,1])

# Step 2: class_weight（balanced）
w = compute_class_weight('balanced', classes=np.array([0,1]), y=y)
print(f"class_weight balanced: w_0={w[0]:.4f}, w_1={w[1]:.4f}")

# Step 3: SMOTE 1 点合成（P1=(12,14), P2=(16,18), lambda=0.5）
P1, P2, lam = X[8], X[9], 0.5
P_syn = P1 + lam * (P2 - P1)
print(f"SMOTE 合成点: {P_syn}")

# Step 4-5: 混同行列から感度・特異度・G-mean
TP, TN, FP, FN = 1, 7, 1, 1
sens = TP / (TP + FN)
spec = TN / (TN + FP)
gmean = np.sqrt(sens * spec)
acc = (TP + TN) / (TP + TN + FP + FN)
print(f"感度={sens:.4f}, 特異度={spec:.4f}")
print(f"G-mean={gmean:.4f}, accuracy={acc:.4f}")

📤 実行結果

💬 手計算（Step 2: w_0=0.625, w_1=2.5、 Step 3: (14,16)、 Step 5: G-mean=0.6614, accuracy=0.800）と Python 出力が完全一致。 accuracy 0.8 vs G-mean 0.66 のギャップが、 不均衡データで G-mean を見るべき根拠となる。

🐍 Python での扱い

SSDSE-B-2026 のような公的統計データを Python で扱う際の基本パターン：

🎯 このコードでやること: SSDSE-B-2026 を読み込み、要約統計量を確認。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import pandas as pd
import numpy as np

# データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
print(df.shape)
print(df.dtypes)
print(df.describe())

# 「クラス不均衡」の文脈で扱う場合の例：
# 分野: ML基礎
# 関連手法は同カテゴリの他用語を参照してください。

具体的なコードは 機械学習の基礎 を参照してください。

📝 レポートでの報告

分析結果を報告するときに含めるべき情報：

• 使ったデータ：出典・期間・サンプル数
• 適用条件の確認：前提が満たされているか
• 計算結果：数値だけでなく不確実性（CI・SE）も
• 解釈：何を意味するか、 何を意味しないか
• 限界：適用範囲外への拡張は避ける

✅ チェックリスト

• □ 「クラス不均衡」を使う場面か再確認したか
• □ データの尺度・分布・サンプル数を確認したか
• □ 前提条件を満たしているか
• □ 計算した値だけでなく不確実性も把握したか
• □ 解釈と限界を区別したか
• □ 関連グループ教材で全体像を確認したか

🔗 同カテゴリの他用語

🐍 Python 実装バリエーション

「クラス不均衡」を扱う代表的なライブラリ別実装。 同じ目的でも書き方が違うため、 自分のプロジェクトの依存関係に合わせて選択する：

① pandas + numpy（最小依存）

🎯 このコードでやること: SSDSE-B-2026 を読み込み。

1
2
3
4
5
6
7
8

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={df.columns[2]: 'pref'})

print('行数:', len(df), '列数:', df.shape[1])
print(df[['pref', 'A1101', 'A4101', 'A5101', 'F3101']].head())

② scikit-learn（学習・評価）

🎯 このコードでやること: 学習用と評価用にデータを分割、回帰モデルを学習、予測を取得、精度を評価。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error
from sklearn.model_selection import train_test_split
import numpy as np

X = df[['A1101', 'A1303']].fillna(0).values
y = df['A4101'].values
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42)
m = LinearRegression().fit(X_tr, y_tr)
pred = m.predict(X_te)
print(f'R²   = {r2_score(y_te, pred):.3f}')
print(f'RMSE = {np.sqrt(mean_squared_error(y_te, pred)):.2f}')

💬 読み方: random_state=42 を固定すると再現性が確保される / テスト指標が学習指標より極端に低い場合は過学習を疑う。

③ scipy.stats（統計検定・分布）

🎯 このコードでやること: 「クラス不均衡」の最小コード。

1
2
3
4
5
6
7
8
9

from scipy import stats

# 例: 2 変数の Pearson 相関 + p 値
r, p = stats.pearsonr(df['A1101'], df['A4101'])
print(f'相関係数 r = {r:.3f}, p 値 = {p:.2e}')

# 例: 1 標本 t 検定（平均が一定値と異なるか）
t, p = stats.ttest_1samp(df['A4101'], popmean=df['A4101'].mean())
print(f't = {t:.3f}, p = {p:.3f}')

💬 読み方: 「クラス不均衡」の典型パターン。 列名や引数を変えると応用可能。

④ 可視化（matplotlib + seaborn）

🎯 このコードでやること: 「クラス不均衡」の最小コード。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import matplotlib.pyplot as plt
import seaborn as sns

fig, ax = plt.subplots(figsize=(8,5))
sns.scatterplot(data=df, x='A1101', y='A4101', ax=ax)
ax.set_xlabel('総人口')
ax.set_ylabel('出生数')
ax.set_title(f'{len(df)} 都道府県の関係')
plt.tight_layout()
plt.savefig('out.png', dpi=120)
plt.close()

💬 読み方: 「クラス不均衡」の典型パターン。 列名や引数を変えると応用可能。

🐍 Python 実装（拡張版）

不均衡データに対する 3 つの対処法を比較：(1) class_weight、 (2) SMOTE、 (3) しきい値調整。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score, recall_score
from imblearn.over_sampling import SMOTE

# 不均衡データ（正例 5%）
X, y = make_classification(n_samples=2000, weights=[0.95, 0.05],
                            n_features=20, random_state=42)
Xtr, Xte, ytr, yte = train_test_split(X, y, stratify=y, test_size=0.3)

# (1) 何もしない
m0 = LogisticRegression(max_iter=2000).fit(Xtr, ytr)
print(f'F1 (baseline): {f1_score(yte, m0.predict(Xte)):.3f}')

# (2) class_weight='balanced'
m1 = LogisticRegression(class_weight='balanced', max_iter=2000).fit(Xtr, ytr)
print(f'F1 (balanced): {f1_score(yte, m1.predict(Xte)):.3f}')

# (3) SMOTE で正例を合成
Xs, ys = SMOTE().fit_resample(Xtr, ytr)
m2 = LogisticRegression(max_iter=2000).fit(Xs, ys)
print(f'F1 (SMOTE)   : {f1_score(yte, m2.predict(Xte)):.3f}')

不均衡対応の鉄則：(a) 評価指標を F1/AUC に変更、 (b) class_weight をまず試す、 (c) SMOTE は過学習に注意、 (d) 業務制約に応じた閾値調整。

⚠️ よくある落とし穴

⚠️ よくある落とし穴（5 件）

「クラス不均衡」を実務・試験で扱うときに頻発する典型的なミスです。 各項目を 1 度読んでおけば 9 割の事故が防げます：

⚠️ 落とし穴（追加版・各 100 字以上）

既出の落とし穴に加えて、 中級者でも踏みやすい応用フェーズの罠を集めました。 1 度経験するか、 ここで読んでおけば回避できます。

🌐 関連手法・派生

「クラス不均衡」と同じ系統で覚えると効率的な手法・概念：

🌐 関連手法・派生（拡張版）

「クラス不均衡」と同じカテゴリ「機械学習」に属する代表的な手法を、 関係性が分かるように整理します。 各手法は単独のページがありますので、 興味に応じて深堀りしてください。

表内のリンクは本サイト内の用語ページに張られています。 ページ上部の💡 30 秒結論だけ読んでから戻る、 という使い方も効率的です。

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

「クラス不均衡」を理解する前に押さえておきたい基礎概念：

📗 並列・対比される用語

同じ抽象度で並べて比較すると理解が深まる用語：

📕 発展・関連派生

「クラス不均衡」を起点に学習を進めると次に出会う応用・派生：

🔗 関連用語（前提・並列・発展・追加）

「クラス不均衡」をより深く理解するために、 同じカテゴリ「機械学習」の周辺概念を整理しました。 学習計画の参考にしてください。

• 🔗 教師あり学習 — 前提
• 🔗 過学習 — 並列
• 🔗 交差検証 — 並列
• 🔗 正則化 — 発展
• 🔗 評価指標 — 発展

🎓 学習者向けケーススタディ

「クラス不均衡」を題材にした 3 つの典型的な学習シナリオを示します。 自分のレベルに近いものから手を動かしてみてください。

1. 初級：直感の確認：本ページの「🎨 直感で掴む」で挙げた具体例を、 紙に書き写してから自分の言葉で言い換える。 ここで「定義は使わなくても説明できる」レベルに達することが目標。
2. 中級：手計算と Python 実装の照合：「🧮 実値で計算」を電卓で実行し、 続いて「🐍 Python 実装」のコードで同じ値が出ることを確認。 ここで「数式とコードの対応」が腑に落ちます。
3. 上級：別データへの転用：SSDSE-B 以外（時系列・画像・テキストなど）の自分のデータに「クラス不均衡」を適用。 上手くいかない場合、 適用条件を満たしているかを「⚠️ 落とし穴」と照合する。

この 3 ステップを 1 回でも回すと、 「知っている」から「使える」へと一段進めます。 学習効率の最も高い順序は、 「直感 → 数式 → コード → 別データ転用」の循環です。

🧩 クイック演習（自己診断）

「クラス不均衡」の理解度を 3 問で自己診断しましょう。 即答できなければ該当セクションに戻って復習。

3 問すべて即答できれば、 「クラス不均衡」は実用レベルに達しています。 関連用語ページに進みましょう。

🛠 実装時の注意点

「クラス不均衡」を実装に落とす際に、 教科書ではあまり強調されない実務的注意点を整理します。

• 数値安定性：浮動小数の累積誤差で、 理論値と実測値がずれることがあります。 重要な計算は numpy.float64 または decimal で明示。
• メモリ管理：大規模データでは中間結果を都度 del、 もしくは numpy のビュー（view）で参照のみ。
• 並列化：scikit-learn は n_jobs=-1、 pandas は swifter、 NumPy は numexpr で高速化できる場面が多い。
• テスト：単体テスト（pytest）で境界条件（n=0, 1, 巨大値、 NaN）を必ず確認。
• ロギング：途中経過を logging で出力し、 後から再現できるようにする。 デバッグの時短に直結。
• バージョン：pip freeze > requirements.txt で固定。 半年後の自分が泣かない最低限の保険。

これらは「動けばよい」では済まされない場面、 たとえばコンペ提出・本番デプロイ・論文投稿で必須になります。 普段から意識すると、 いざという時に慌てません。

📖 リテラシー チェックリスト

「クラス不均衡」を学んだ後、 次のチェックリストを 1 つずつ満たしているか確認してください。 これは『データサイエンス・リテラシー』として身につけるべき汎用スキルにも相当します。

• □ 「クラス不均衡」を 1 文で説明できる
• □ 適用条件を 3 つ以上挙げられる
• □ 同じカテゴリ「機械学習」の並列手法を 2 つ以上挙げられる
• □ Python で動くコードを書ける
• □ 結果に対する不確実性を併記できる
• □ 落とし穴を 3 つ以上挙げられる
• □ ドメイン知識と結びつけて解釈できる
• □ レポートに「5 点セット」（データ・前処理・前提・推定・解釈）で書ける

8 項目すべてチェックがつけば、 「クラス不均衡」は実務でも論文でも自信を持って使えるレベルです。

🏢 ドメイン別応用例

クラス不均衡 を含むデータ分析は、 分野によって使われ方が違います。 下の表は分野ごとの代表的な用途で、 クラス不均衡 だけの用途一覧ではありません。 自分の分野の行を見て、 どんな問いにデータを使うのかを掴んでください。

自分のドメインがリストにあれば、 そこからすぐに着想を得られます。 リストにない場合も、 似たドメインの応用例から類推することで使い方が見えてきます。

📚 関連グループ教材

「クラス不均衡」を含むカテゴリ「ML基礎」の全体像を学べる横断教材：

• 📚 機械学習の基礎 — このカテゴリの全体像
• 📚 教師あり学習 — このカテゴリの全体像

用語単独の理解だけでなく、 グループ教材で 前後関係・全体構造を掴むと、 実務・試験ともに応用が効きます。

📌 まとめカード — 試験前 1 分復習

🗓 歴史・年表

本用語の主要なマイルストーン：

📊 比較表 — 同カテゴリの主要選択肢

「クラス不均衡」と関連する手法・概念を比較しておくと、 使い分けに迷わない：

❓ よくある質問 (FAQ)

「クラス不均衡」について試験対策・実務で頻出する質問とその回答：

📝 実践演習 — 手を動かして定着

本ページの理解を確認する 5 問の練習問題です。 紙とペン、 もしくは Python で取り組んでみてください：

1. 定義の言い換え：「クラス不均衡」を 2 行以内で自分の言葉に書き直してください。 出典を引用しないこと。
2. カテゴリ整理：「クラス不均衡」が属するカテゴリ「ML基礎」内で、 隣接する 3 用語を挙げ、 それぞれとの違いを 1 文で書く。
3. SSDSE-B-2026 で実装：本ページの「🧮 実値計算」のコードを実行し、 出力結果をスクリーンショットで残す。
4. 落とし穴チェック：本ページの「⚠️ 落とし穴」5 件のうち、 自分が実際にやってしまいそうな 1 件を選び、 防止策を 100 字で書く。
5. 応用シナリオ：「クラス不均衡」を新しい問題（自分の業務 or 卒研テーマ）に当てはめると、 どの場面で何のために使えるか、 200 字で書く。

💡 ヒント：練習問題の答えは正解が 1 つではありません。 思考プロセスを書き残すことが学習効果を高めます。

📚 参考文献・学習リソース

「クラス不均衡」をさらに深掘りするための一次資料・教科書・オンラインコース：

• はじめてのパターン認識（平井有三、 森北出版）— 古典 ML の網羅的入門
• Pattern Recognition and Machine Learning（Bishop, Springer）— 数理的に厳密
• Deep Learning（Goodfellow, Bengio, Courville）— 深層学習の標準教科書
• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）— 統計学習の正典
• scikit-learn ユーザーガイド — Python 実装の決定版オンライン教材
• Hugging Face Course — Transformer/LLM の無料コース
• Kaggle Learn — 短時間で実践スキルが身につくマイクロコース
• JDLA G 検定 公式テキスト — 日本の AI 資格対策に最適
• 統計検定 公式問題集 — 統計理論の橋渡しに有用
• JMOOC / Coursera / edX — 大学レベル講義を無料/低価格で受講可能

🔍 深掘り解説 — 中級者向け補強

クラス不均衡は 「少数派が業務的に重要であることが多い」のが厄介な点。 不正検知・疾病スクリーニング・離反予測の全てで、 拾うべきは少数派。 Accuracy は多数派偏重なので使わず、 F1・PR-AUC・Recall を主指標にして、 SMOTE・class_weight・損失関数の重み付けで対処する。

📋 代表シナリオ一覧

対処法の比較：

💼 ビジネス文脈での扱い

「クラス不均衡」を業務適用する際は、 (1) 業務 KPI と評価指標の対応、 (2) データの収集・保管・更新コスト、 (3) 社内承認とコンプライアンス、 (4) 運用人員の確保、 (5) 失敗時のロールバック計画の 5 観点をプロジェクト計画書に必ず明記してください。 技術検証（PoC）の段階で 本番運用要件を逆算しておくと、 後の本番化フェーズで詰まる確率が下がります。

🧪 学習ロードマップ

1. 定義の把握：本ページの「📐 数式・定義」を 3 回読む
2. 具体例の理解：「🎨 直感で掴む」と「🧮 実値計算」のコードを実行する
3. 落とし穴の暗記：「⚠️ 落とし穴」5+ 件を 1 行ずつ自分の言葉で要約
4. 関連概念の整理：「🔗 関連用語」を前提・並列・発展でマインドマップに描く
5. 応用問題：自分の業務 or 卒研テーマに本概念を適用してみる
6. 説明テスト：他人に 3 分で説明できるか試す。 詰まったポイントを補強

🗂 ミニ用語集 — 本ページ頻出語

「クラス不均衡」を学ぶ過程で頻出する関連語を 12 個、 短文定義でまとめます。 知らない語があれば各ページにジャンプしてください：

機械学習 (ML)

データからパターンを自動で学ぶ手法。 AI の中核技術。

深層学習 (DL)

多層ニューラルネットによる ML。 画像・言語で強い。

教師あり学習

入力と正解ラベルのペアから学習する枠組み。

教師なし学習

正解ラベルなしで構造を見つける学習。 クラスタリング等。

強化学習

環境との相互作用と報酬から最適行動を学ぶ。

汎化

学習データに含まれない未知データでも性能を出すこと。

過学習

Train データに適合しすぎ、 未知データで性能が落ちる現象。

交差検証 (CV)

データを K 分割し平均で評価。 小データのロバスト評価。

特徴量エンジニアリング

予測精度を上げるために変数を設計・変換する作業。

評価指標

RMSE・F1・AUC など、 モデル性能を測る尺度。

ハイパラ調整

学習で直接決まらない設定値を体系的に最適化する作業。

MLOps

ML モデルの本番化・運用・監視・再学習を統合する活動。

本用語集は 514 用語を 29 のグループ教材と連動して整理しています。 周辺概念を 1 つずつ辿ると、 「クラス不均衡」の位置づけと使い分けが立体的に理解できます。

✅ チェックリスト — 実務で使う前の最終確認

本概念を実際のプロジェクトやレポートに適用する前に、 以下の項目を確認してください：

• □ 定義の理解：本ページ「📐 数式・定義」の数式を、 紙に書き出して自分で説明できる
• □ 適用条件の把握：使用前提（サンプル数・データ尺度・独立性）を満たしているか確認した
• □ データ品質チェック：欠損値・外れ値・スケール・分布の偏りを確認した
• □ ベースラインの設定：シンプルなモデルから始めて、 比較基準を作った
• □ 評価指標の選定：業務 KPI と機械学習指標の対応関係を明文化した
• □ Train/Val/Test の分割：データリーケージを避けた分割設計
• □ 再現性の確保：random_state 固定・ライブラリバージョン固定・データバージョン管理
• □ 不確実性の評価：点推定だけでなく信頼区間・標準誤差も算出
• □ 結果の解釈：「何を意味するか」「何を意味しないか」を明確に区別
• □ 限界の明示：適用範囲外への外挿を避ける記述を加えた
• □ 倫理・規制の確認：プライバシー・公平性・説明責任への対応
• □ 運用設計：監視・再学習・ロールバックの仕組みを準備した
• □ ドキュメント化：モデルカード・実験ログを残した
• □ ステークホルダ説明：非技術者にも 3 分で説明できる
• □ 関連グループ教材で全体像を確認した

📝 レポート・論文での書き方

本概念を分析レポート・卒業論文・社内資料で扱う際の 標準的な記述構成：

① 背景と目的

何を予測・分類・最適化したいか、 業務上の意義を 100-200 字で明確化。 ターゲット指標と成功基準を必ず数値で記述（例「F1 ≥ 0.85 を目指す」）。

② 使用データ

出典・期間・サンプル数・前処理手順を表形式で示す。 SSDSE-B-2026 のような公的データを使う場合は 取得日と URLも明記。 欠損率・外れ値処理の方針も記述。

③ 手法

使用したアルゴリズム・ハイパラ・ライブラリバージョンを記述。 数式は本ページ「📐」のように $$...$$ で記述すると LaTeX/Markdown 共通で扱える。

④ 結果

点推定だけでなく、 信頼区間・標準誤差・p 値を併記。 グラフは scatter / box plot / heatmap を適材適所で使い分け。 軸ラベル・凡例・キャプションを忘れず。

⑤ 解釈

「数値が意味すること」と「意味しないこと」を分けて記述。 相関と因果を混同しない、 外挿を避ける、 など慎重に。

⑥ 限界と今後

本研究の制約（データ量・対象期間・対象地域）と、 今後の研究で解決したい点を率直に書く。 査読者・上司は限界の自己認識を必ず確認する。

⑦ 参考文献

本ページ「📚 参考文献・学習リソース」を起点に、 一次資料を引用。 BibTeX 形式で管理しておくと再利用が楽。

🎓 試験対策ピンポイント

統計検定・G 検定・基本情報・応用情報・ML エンジニア試験で本概念が問われやすい論点：

1. 定義の言い換え問題：本概念を別の言葉で説明できるか。 教科書の定義丸暗記ではなく、 自分の言葉に翻訳しておく。
2. 隣接概念との比較：似て非なる概念（例：AI と ML、 分類と回帰、 Val と Test）の違いを 1 行で書ける。
3. 数式の読み解き：本ページ「🔬 数式を言葉で読み解く」の記号一覧を覚える。 各記号の意味を埋める穴埋め問題が多い。
4. 代表的アルゴリズム名：本概念の代表手法（例：勾配ブースティングなら XGBoost, LightGBM）を 3 つ以上挙げられる。
5. 落とし穴の選択肢問題：本ページ「⚠️ 落とし穴」の典型ミスは試験で問われる頻出論点。
6. 応用シナリオ判定：「このシナリオでどの手法を使うか？」という選択肢問題。 本ページ「🔍 深掘り解説」のシナリオ表が役立つ。
7. 計算問題：簡単な数値計算が出る場合がある。 本ページ「🧮 実値計算」のコードを 1 度実行しておくと身につく。
8. 歴史・年代問題：本概念が提案された年・人物が問われる場合がある。 本ページ「🗓 歴史・年表」を確認。

📌 試験対策のコツ：用語の 定義 + 使用場面 + 制約条件 をセットで覚えると応用が利きます。

📚 学習リソースガイド

「クラス不均衡」を体系的に学ぶための、 信頼できる無料・有料リソースを整理しました。

学習リソースは「消費するだけ」では身につきません。 必ず手を動かすこと（コードを書く、 自分のデータで試す、 コンペに参加する）が定着の鍵です。

🛠 トラブルシューティング集

「クラス不均衡」を実装中に遭遇しがちなエラー・症状とその対処を一覧化しました。

トラブル発生時は、 まず最小再現例を作って切り分けるのが鉄則です。 Stack Overflow や GitHub Issues で類似事例を検索すると解決が早いケースが多いです。

📔 補足ミニ用語集（拡張）

「クラス不均衡」周辺で頻出する用語の手早い参照表です。

汎化性能

訓練データ外でのモデル性能。 機械学習の最終目標。

バイアス

モデルの仮定の強さによる誤差。 単純モデルほど高い。

分散

訓練データの揺らぎによる誤差。 複雑モデルほど高い。

正則化

過学習防止のためにモデルに加える罰則項（L1/L2/Dropout など）。

交差検証

データを分割して汎化性能を推定する手法。 k-fold が標準。

グリッドサーチ

ハイパーパラメータ候補を網羅的に試す探索。 Optuna はベイズ最適化版。

スケーリング

特徴量を同じ範囲に揃える前処理。 StandardScaler、 MinMaxScaler、 RobustScaler。

One-hot エンコード

カテゴリ変数を 0/1 のダミー変数に展開する方法。 多重共線性に注意。

特徴量エンジニアリング

生データからモデルが解釈しやすい特徴を作る作業。 機械学習の最重要工程。

EDA

Exploratory Data Analysis（探索的データ分析）。 モデリング前に必ず行う。

🎯 学習の到達目標（このページを読み終えたら）

本ページの全セクションを読み終えたとき、 以下の5 つの能力が身についているはずです。 自己評価のチェックポイントとしてご活用ください。

• 言語化能力：「クラス不均衡」を専門外の人に 1 分で説明できる
• 計算能力：SSDSE-B-2026 のような実データで具体的な数値を計算できる
• 実装能力：Python で動くコードを書ける
• 判断能力：「クラス不均衡」を使うべき場面・使うべきでない場面を見分けられる
• 批判能力：他者の分析結果を「クラス不均衡」の観点でレビューできる

🚀 次のステップ：「🔗 関連用語」のリンクから興味のある用語に進み、 知識のネットワークを広げてください。 また、 同カテゴリ「機械学習」の関連グループ教材で全体像を再確認すると、 個別概念がパズルのピースのように繋がっていきます。

📎 付録：よく使う数式記号

「クラス不均衡」を含むデータサイエンス全般で頻出する数式記号を整理しました。 KaTeX レンダリングで表示しています。

$\sum_{i=1}^{n} x_i$

総和。 添字 i を 1 から n まで動かして加算。

$\prod_{i=1}^{n} x_i$

総積。 確率の同時分布などで頻出。

$\int_a^b f(x) dx$

定積分。 連続分布の確率計算で頻出。

$\hat{\theta}$

パラメータ θ の推定量（hat 記号）。

$\bar{x}$

標本平均（bar 記号）。

$E[X]$, $\mathrm{Var}(X)$

期待値、 分散。 確率変数 X に対する基本演算。

$\mathbb{R}, \mathbb{N}, \mathbb{Z}$

実数集合、 自然数、 整数。 値域の表記。

$\mathcal{N}(\mu, \sigma^2)$

正規分布（平均 μ、 分散 σ²）。

$P(A|B)$

条件付き確率。 B が起きた下での A の確率。

$\nabla f$

勾配（gradient）。 最適化で必須。

🗺 学習ロードマップ

「クラス不均衡」を起点に、 同カテゴリ「機械学習」を体系的に学ぶ推奨順序を示します。

1. Week 1：本ページの定義・数式・直感を完全に押さえる。 1 日 30 分 × 5 日。
2. Week 2：Python コードを写経し、 SSDSE-B-2026 で動作確認。 自分のデータでも試す。
3. Week 3：「🔗 関連用語」の前提側を読み、 基礎を補強する。
4. Week 4：「🔗 関連用語」の並列側を読み、 比較できる引き出しを増やす。
5. Week 5：「🔗 関連用語」の発展側を読み、 上位概念や応用に進む。
6. Week 6：関連グループ教材で全体像を再確認し、 知識を再構築する。

📚 備考：6 週間は目安です。 自分のペースで進めて構いません。 重要なのは「定義 → 実装 → 関連用語 → 再構成」のサイクルを 1 度回し切ること。

❓ さらなる FAQ

📊 不均衡時の評価指標

🔁 サンプリング技法

• Random Over-sampling：少数クラスを単純複製。 過学習リスク。
• SMOTE：k 近傍を補間して合成。 連続特徴向け。
• ADASYN：難しいサンプル周辺に集中合成。
• Borderline-SMOTE：決定境界付近のみ合成。
• Random Under-sampling：多数クラスを間引く。 情報損失。
• Tomek Links：境界近傍の多数派を除去。
• NearMiss：少数派に近い多数派を残す。
• SMOTE-ENN / SMOTE-Tomek：合成 + クリーニング併用。

🎓 理論的背景の補強

「クラス不均衡」を学術的に位置付けるには、 関連する基盤理論を押さえると体系が見えてきます。 ここでは、 数学的・統計的な理論ベースを 4 つの観点で整理します。

① 数学的基礎

「クラス不均衡」は線形代数・解析学・確率論の上に立っています。 ベクトル空間・関数解析・測度論などの基礎理論があると、 本用語の定義がなぜこの形なのかが腑に落ちやすくなります。 大学初年級の教科書（線形代数入門、 解析学基礎、 確率論入門）から該当章を確認すると効率的です。

② 統計学からの視点

「クラス不均衡」は推定・検定・モデリングの観点から見ると、 別の側面が見えてきます。 古典統計（頻度論）とベイズ統計では同じ概念でも扱い方が異なるので、 両方の立場で考えてみると理解が深まります。 例えば、 信頼区間は頻度論、 信用区間はベイズ的解釈です。

③ 機械学習からの視点

機械学習では、 「クラス不均衡」は損失関数・正則化・汎化性能などの文脈で再解釈されます。 教師あり／教師なし／強化学習という 3 つの大枠の中で、 本用語がどこに位置付くかを確認すると、 応用範囲が見えてきます。 特に深層学習時代では、 古典的概念が新しい意味で復活する例が多くあります。

④ 情報理論からの視点

エントロピー・KL ダイバージェンス・相互情報量などの情報理論概念は、 「クラス不均衡」を測定・評価する際の共通言語を提供します。 Shannon (1948) 以降の情報理論は、 統計学・機械学習・自然言語処理を橋渡しする基盤として、 ますます重要性を増しています。

🏢 産業応用ケーススタディ

「クラス不均衡」は単なる理論ではなく、 実産業の現場で日常的に使われている技術です。 5 つの典型的な応用シナリオを示します。

⚖️ 倫理・社会的責任

データサイエンスは強力な道具であり、 「クラス不均衡」のような手法も誤用すれば社会に害を与える可能性があります。 以下の倫理的論点は、 実務で常に意識すべきです。

• バイアス・公平性：訓練データの偏りが結果に反映され、 特定集団に不利益を与える可能性。 公平性指標（demographic parity、 equalized odds など）で監視。
• プライバシー：個人特定可能情報の保護。 GDPR・改正個人情報保護法に沿った設計が必須。 差分プライバシー (DP) や連合学習で対応。
• 説明可能性：「ブラックボックス」では責任を取れない。 SHAP・LIME・grad-CAM などで根拠を可視化。
• 透明性：データ出典・前処理・モデル・評価方法を公開。 再現可能性が学術と実務の信頼性を担保。
• 誤用防止：プロパガンダ・偽情報・監視への転用を阻止するガバナンス。 AI 倫理指針（OECD、 UNESCO 等）を参照。
• 環境負荷：大規模学習の電力消費・CO2 排出。 効率化・カーボンフットプリント開示が要求される時代に。

🌍 持続可能なデータサイエンスへ：「クラス不均衡」を含む全ての分析が、 社会の利益と持続可能性に貢献するように設計・運用すべきです。 技術的可能性 ≠ 社会的妥当性。 倫理的判断は技術選択の最初に来るべきテーマです。

🔭 研究の最前線（2024–2026）

「クラス不均衡」を含む「機械学習」カテゴリは、 急速に進化しています。 直近の研究動向を 5 つピックアップしました。 興味があるテーマは arXiv で「Class Imbalance」「機械学習」をキーワード検索すると最新論文に辿れます。

1. 基盤モデルとの融合：大規模事前学習モデル（LLM、 Foundation Model）が古典手法を置き換えるか、 補強するかが論点。 ハイブリッド設計が増加。
2. 因果推論との統合：相関だけでなく「介入」の効果を推定する因果機械学習。 「クラス不均衡」を因果グラフ上で解釈する研究が活発。
3. 解釈可能性 (XAI)：ブラックボックス AI の判断根拠を説明する技術。 SHAP・LIME・概念ベース説明（CAV、 TCAV）。
4. 不確実性定量化：予測値だけでなく、 信頼区間・予測区間・Conformal Prediction による不確実性。
5. 小データ学習：Few-shot、 Zero-shot、 Meta-learning、 Transfer learning。 「クラス不均衡」を限られたサンプルで適用する技術。

これらのテーマは互いに関連しているので、 1 つに興味を持ったら隣接領域に展開していくと知識ネットワークが広がります。

🔗 隣接手法への橋渡し

「クラス不均衡」は分類モデルが多数派に偏る病で、 上流のサンプリング戦略と下流の評価指標選択を同時に変えないと「正解率は高いが少数派は全滅」になる。

• 上流: クラス不均衡 の入力となるE5101 死亡率の上位 5%（極端不均衡） を整える前処理 (データクレンジング、 欠損値処理)
• 並列: 類似目的を持つ代替手法 (SMOTE、 コスト感受性学習、 オーバーサンプリング。 いずれも本ページ内で解説) と比較・併用
• 下流: 出力結果の評価・解釈 (適合率・再現率、 F1 スコア、 AUC)

上流の SMOTE/undersampling で分布を整え、 並列の cost-sensitive 学習と比較し、 下流で F1 や PR-AUC を評価指標に採用すれば、 少数派が重要な不正検知や疾患予測でも実用品質の分類が組める。

🌳 手法選択フロー

「クラス不均衡」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. どれくらい偏っているか
   少数クラスが 3 割程度なら、 評価指標を変えるだけで足りることが多い。 1% を切るなら異常検知の枠組み（少数クラスを「外れ値」として扱う）に切り替えるほうが自然。
2. 評価指標を先に決めたか
   正解率は使えない。 陽性 1% なら全部を陰性と答えて 99% になる。 PR-AUC・F1・再現率のうち、 業務のコストに合うものを学習を始める前に決める。
3. データを増やせるか
   少数クラスを追加で集められるなら、 それが最も確実。 集められないときに初めて、 重み付け・オーバーサンプリング・アンダーサンプリングを検討する。
4. 重み付けか、 リサンプリングか
   まず class_weight='balanced' を試す。 データを増やさないので漏れが起きにくい。 SMOTE を使うなら、 必ず学習用データを分割したあとに適用する。 分割前に行うと検証側に情報が漏れる。

不均衡そのものは問題ではなく、 「少数クラスを当てたいのに指標が多数クラスを見ている」ことが問題。 指標を直せば解決する場合も多い。

🔍 解説深化 — 不均衡は「観測される」のではなく「設計され、動く」

本ページはここまで、 与えられた不均衡にどう対処するか（SMOTE・class_weight・指標選択）を扱ってきた。 この深化セクションでは一歩手前に戻り、 その不均衡はどこから来たのかを問う。 実は多くの実務タスクで、 クラス比は自然現象ではなく分析者自身のラベル設計の産物であり、 しかも時間とともに動く。 SSDSE-B-2026 の実測値でこの 2 点を確認する。

🎨 直感 — 同じデータから 0:47 も 6:41 も 24:23 も作れる

SSDSE-B-2026 の 2023 年・47 都道府県で、 「人口移動」に関する二値ラベルを 3 通り設計してみる（いずれも実測値）：

同じ 47 行のデータから、 カットオフの置き方だけで「分類不能」「典型的不均衡」「完全均衡」の 3 つの世界が生まれる。 つまり「不均衡にどう対処するか」の前に「そのカットオフは業務的に正当か」を問うべきで、 均衡するようにカットオフを動かせるなら（例：『上位半分の県』を予測したいだけなら）、 SMOTE も class_weight もそもそも要らない。 逆に「転入超過という現象そのもの」に意味があるなら、 6:41 は動かせない本質的な不均衡であり、 本ページの対策群が正当化される。

⚠️ 落とし穴（重要） — クラス比は年とともに動く（事前確率ドリフト）

「転入超過県」の数を SSDSE-B-2026 の全 12 年分で数えると（実測値）：

少数派の県数は 6〜11 の間で揺れ、 少数派比率は 12.8%〜23.4% とほぼ 2 倍の幅で変動している（コロナ禍の 2021 年に 11 県へ跳ね、 2023 年に最少の 6 県）。 ここに重大な落とし穴がある：

• 訓練時と運用時でクラス比が違う：2012 年（11:36）で学習したモデルの class_weight・閾値・較正は、 2023 年（6:41）では最適でない。 不均衡対策のパラメータは「訓練データのクラス比」に依存して決まるため、 事前確率が動くとまとめてズレる。 これは特徴量分布のドリフトがなくても起きる（事前確率ドリフト / prior probability shift）。
• 「不均衡比 ≒ 定数」という暗黙の仮定：本ページの 6:41 という数字も 2023 年断面の値にすぎない。 レポートに不均衡比を書くときは「いつ時点の比か」を必ず添え、 運用時には陽性率をモニタリングして再較正のトリガーにする。
• 時系列 CV との合わせ技：年をまたいで検証する場合、 StratifiedKFold で年内のクラス比を保つだけでは足りず、 「過去年で学習 → 未来年で検証」の時系列分割でクラス比の変動ごと汎化性能を測るのが正直な評価になる。

🚀 発展 — リサンプリング後の確率を解析的に補正する（事前確率補正）

オーバー／アンダーサンプリングで訓練データを 50:50 に均すと、 モデルの predict_proba は「均された世界」の確率になり、 実世界の確率としてはそのまま使えない。 較正曲線を引き直さなくても、 ベイズの定理から解析的に補正できる：

$$ p = \frac{p_s \cdot \dfrac{\pi}{\pi_s}}{p_s \cdot \dfrac{\pi}{\pi_s} + (1 - p_s) \cdot \dfrac{1-\pi}{1-\pi_s}} $$

ここで $p_s$ はリサンプリング後データで学習したモデルの出力確率、 $\pi_s$ は訓練時の陽性率（50:50 なら 0.5）、 $\pi$ は実世界の陽性率。 2023 年の転入超過タスクなら $\pi = 6/47 \approx 0.128$ なので、 均衡データで学習したモデルが $p_s = 0.7$ を出しても、 補正後の実確率は $p \approx 0.254$ にすぎない。 $p_s = 0.5$（モデルが五分五分と判断）なら補正後は $p \approx 0.128$、 つまりベースレートそのものに戻る。 この式は「リサンプリングは決定境界の学習を助けるだけで、 確率の意味は事前確率の付け替えで歪む」ことを定量的に示しており、 確率を業務判断（期待コスト計算など）に使うなら補正が必須になる。 なお class_weight による重み付けも同型の歪みを生むため、 同じ補正の考え方が適用できる。 さらに極端な不均衡（1:1000 超）では、 そもそも陽性ラベルの定義自体が不安定になり、 異常検知（One-Class SVM・Isolation Forest）へ問題を組み替える判断も視野に入る。

🔗 関連ページ

• 適合率・再現率 — 少数派をどれだけ拾えたかを測る基本指標
• F1 スコア — 適合率と再現率の調和平均。 不均衡下の代表的複合指標
• 混同行列 — 本セクションの補正式の出発点となる 4 セルの整理
• ROC 曲線 / AUC — 不均衡が強いときは PR 曲線と使い分ける
• 交差検証 — 層化分割と時系列分割の使い分けはここで確認
• ロジスティック回帰 — class_weight と確率出力の仕組みを持つ代表モデル
• 評価指標 — 指標選択の全体像
• 確率較正（Probability Calibration）・異常検知（Anomaly Detection）は本ページ「🔎 拡張補足」内で解説（単独ページなし）