🖼 図解で読み解く教師あり学習

教師あり学習は「特徴量 X と正解ラベル y のペアからモデルを学習し、 未知の X' に対して y' を予測する」枠組みである。 本節では、 SSDSE-B-2026 都道府県データを題材に、 (1) 散布図で X と y の関係を可視化し、 (2) ヒストグラムで y の分布を確認し、 (3) 箱ひげ図で地域別のばらつきを把握する三段構えで、 教師あり学習を始める前にやるべき探索的データ解析（EDA）を実演する。 教師あり学習の精度は「データを理解しているか」で 7 割が決まる。 モデル選定や hyperparameter チューニングは残りの 3 割に過ぎない。

図 1: 散布図で「特徴量 X と目的変数 y」の関係を見る

教師あり学習で最初にやるべきは、 特徴量 X と目的変数 y の散布図描画である。 SSDSE-B-2026 では、 都道府県の総人口（A1101）を X、 死亡数（A4200）を y として、 「総人口から死亡数を予測する単回帰モデル」を考えてみよう。 散布図上で 47 都道府県の点を打つと、 ほぼ一直線に並ぶ強い正の相関が見える。 これは「人口が多い県ほど死亡数が多い」という当たり前の事実を視覚的に確認する作業だが、 同時に「東京都だけが右に大きく離れ、しかも直線より 1 万 3,905 人少ない（標準化残差 z = −3.2）」「北海道は直線より 1 万 6,455 人多い（z = +3.8）」「地方の小県は左下に密集している」といった外れ方と分布の歪みも発見できる。

このコードでやること: SSDSE-B-2026 から総人口と死亡数を読み込み、 散布図を描き、 同時に線形回帰直線をフィッティングして可視化する。 教師あり学習における「データの確認 → モデル学習 → 結果の可視化」という基本フローを 1 つのコードで実演する。

📥 入力例（SSDSE-B-2026 抜粋）:

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

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
X = df[['A1101']].values   # 総人口（特徴量）
y = df['A4200'].values     # 死亡数（目的変数）

model = LinearRegression().fit(X, y)
y_pred = model.predict(X)

plt.scatter(X, y, alpha=0.7)
plt.plot(X, y_pred, color='red', label='回帰直線')
plt.xlabel('総人口（A1101）')
plt.ylabel('死亡数（A4200）')
plt.legend(); plt.show()
print(f'R^2 = {model.score(X, y):.4f}')
print(f'傾き = {model.coef_[0]:.4f}')

📤 実行例:

💬 結果の読み方: R² が 0.97 を超えているため、 単回帰モデルだけで総人口から死亡数の 98% を説明できる。 傾き 0.0103 は「人口が 1 万人増えると死亡数が約 103 件増える」という解釈。 ただし、 散布図を見ると右端の東京都が直線より下に外れ、 1 県だけで回帰直線に大きく影響している（Cook の距離 5.2、 次に大きい大阪府は 0.32）ため、 影響度（Cook's distance）の確認や、 ロバスト回帰（Huber 回帰など）の検討が必要。

表 1: 散布図 EDA で確認すべき 6 つのチェックポイント

図 2: ヒストグラムで「目的変数 y の分布」を把握する

教師あり学習、 とくに回帰タスクでは、 目的変数 y の分布形状がモデル選定に直結する。 y が正規分布なら線形回帰（最小二乗法）が最適だが、 右裾が長い分布（死亡数、 人口、 所得など）では log 変換や Box-Cox 変換で対称化してから学習する方が精度が出る。 SSDSE-B-2026 の人口（A1101）を例にとると、 東京 1,400 万人を頂点とした右裾の長い分布になっており、 そのまま線形回帰すると東京の予測誤差を抑えるために他の県の予測がブレる「外れ値支配」が起きる。

このコードでやること: SSDSE-B-2026 の人口（A1101）を 20 ビンでヒストグラム化し、 同時に log 変換後のヒストグラムも描いて、 分布の対称化効果を可視化する。

📥 入力例: 上記と同じ SSDSE-B-2026 の A1101 列（47 行）。

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

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
pop = df['A1101'].values   # 総人口

fig, axes = plt.subplots(1, 2, figsize=(12, 4))
axes[0].hist(pop, bins=20, color='steelblue')
axes[0].set_title('総人口（元データ）右裾長')
axes[1].hist(np.log(pop), bins=20, color='orange')
axes[1].set_title('log(総人口) 対称化')
plt.show()
print(f'歪度（元）  = {pd.Series(pop).skew():.3f}')
print(f'歪度（log）= {pd.Series(np.log(pop)).skew():.3f}')

📤 実行例:

💬 結果の読み方: 元データの歪度 2.29 は強い右裾（東京・大阪が引っ張る）を示し、 log 変換で 0.82 まで縮小される。 これにより線形回帰の前提（残差の正規性）が満たされやすくなり、 予測精度が向上する。 教師あり学習で「最初に y の分布を見る」習慣は、 モデル選定の指針として極めて重要。

表 2: 目的変数 y の分布形状とおすすめモデル

図 3: 箱ひげ図で「地域別のばらつき」を見る

教師あり学習で特徴量を作る際、 カテゴリ変数（地方コード、 都道府県分類）ごとに目的変数の分布がどう変わるかを箱ひげ図で確認する。 SSDSE-B-2026 を 8 地方（北海道・東北・関東・中部・近畿・中国・四国・九州沖縄）に分けて、 各地方の人口分布を箱ひげ図で比べると、 関東地方が圧倒的に箱が高く（中央値 625.7 万人）、 ひげも長い（東京都 1,409 万人がいる）。 一方、 四国（中央値 81.0 万人）・東北（117.3 万人）・中国（129.8 万人）は箱が低く中央値も小さい。 北海道は 1 道だけの群なので箱にならない。 この「地方ごとの分散の違い」が見えると、 地方を One-Hot エンコードして特徴量に加える価値が判定できる。

このコードでやること: SSDSE-B-2026 を地方コードでグループ化し、 各地方の人口分布を箱ひげ図で比較する。 同時に ANOVA で「地方間に統計的に有意な差があるか」を検定する。

📥 入力例: SSDSE-B-2026 の都道府県コード（R01100 など）から先頭 2 桁を取って地方を判定。

 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 pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)

def region(code):
    c = int(str(code)[1:3])
    if c == 1: return '北海道'
    if c <= 7: return '東北'
    if c <= 14: return '関東'
    if c <= 23: return '中部'
    if c <= 30: return '近畿'
    if c <= 35: return '中国'
    if c <= 39: return '四国'
    return '九州沖縄'

df['地方'] = df['Code'].apply(region)
groups = [g['A1101'].values for _, g in df.groupby('地方')]
f, p = stats.f_oneway(*groups)

df.boxplot(column='A1101', by='地方', figsize=(10, 5))
plt.show()
print(f'ANOVA: F={f:.3f}, p={p:.4f}')

📤 実行例:

💬 結果の読み方: F 値が大きく p < 0.01 のため、 地方間で人口分布に統計的に有意な差がある。 教師あり学習では地方を OneHotEncoder で特徴量化することで、 モデル精度の向上が期待できる。 とくに関東は他地方との差が大きいため、 「関東フラグ」だけでも強力な特徴量になる。

表 3: EDA → 教師あり学習モデル選定の意思決定表

EDA から教師あり学習へ繋ぐ実践チェックリスト

教師あり学習を実務で運用する際、 以下 10 項目を EDA 段階で必ず確認する。 これを怠ると、 「精度が出ない」「予測がブレる」「外れ値で炎上する」といったトラブルに直結する。 とくに公的データ（SSDSE-B-2026 など）では、 都道府県・年次・産業分類など、 階層構造を持つ変数が多いため、 単純な散布図だけでなく、 群ごとの箱ひげ図と分布形状確認は必須である。

1. X の分布を全特徴量についてヒストグラム化（右裾長があれば log 変換候補）
2. y の分布を確認し、 回帰なら歪度・尖度をチェック（分類ならクラス比）
3. X と y の散布図を主要特徴量で描画し、 線形性・外れ値を目視
4. カテゴリ別箱ひげ図で群差を確認し、 One-Hot 化の価値を判定
5. 相関行列を heatmap 化し、 多重共線性（|r| > 0.9 ペア）を特定
6. 欠損パターンを df.isna().sum() と missingno で可視化
7. 外れ値を IQR 基準（Q1-1.5*IQR、 Q3+1.5*IQR の外）で抽出し、 ドメイン知識で取扱い決定
8. 時系列性がある場合は ACF/PACF プロットで自己相関を確認
9. サンプルサイズと特徴量数の比（n / p）を確認し、 過学習リスクを評価
10. クラス不均衡を pie chart で確認（分類タスク）

SSDSE-B-2026 を使った教師あり学習の典型 3 タスク

SSDSE-B-2026 で教師あり学習を学ぶなら、 以下 3 タスクをこの順番で実装することを推奨する。 (A) 単回帰 → (B) 重回帰 → (C) 分類、 と難度が上がる構成で、 EDA → 特徴量設計 → モデル学習 → 評価という一連の流れを 3 回繰り返すことで、 教師あり学習の「型」が身につく。 とくに各タスクで上記の散布図・ヒストグラム・箱ひげ図の 3 種 EDA を毎回実施し、 「データの性質に応じてモデルを選ぶ」習慣を体得することが、 実務で通用する教師あり学習エンジニアへの最短ルートである。

• タスク A（単回帰）: 総人口（A1101）から死亡数（A4200）を予測。 R² 0.98 前後。 線形回帰で十分。
• タスク B（重回帰）: 総人口 + 高齢化率 + 年少人口比から死亡数を予測。 R² 0.99 前後を狙う。 多重共線性に注意。
• タスク C（分類）: 人口・高齢化率・地方区分から「人口減少県 vs 増加県」を 2 値分類。 ROC-AUC 0.85+ を狙う。 ロジスティック回帰や RandomForest を比較。

教師あり学習の歴史的発展と主要アルゴリズム系譜

教師あり学習は 1950 年代の Perceptron（Rosenblatt 1958）から始まり、 1970-80 年代の決定木（CART, ID3）、 1990 年代の SVM（Vapnik）と Boosting（AdaBoost, Freund & Schapire 1995）、 2000 年代の Random Forest（Breiman 2001）と GBDT（Friedman 2001）、 2010 年代の XGBoost（Chen & Guestrin 2016）と LightGBM（Microsoft 2017）、 そして深層学習（CNN・RNN・Transformer）へと連なる長大な系譜を持つ。 SSDSE-B-2026 のような中規模の表形式データでは、 一般に GBDT 系（XGBoost、 LightGBM、 CatBoost）が最も性能・解釈性のバランスが良いとされる。 一方、 サンプル数が 47 都道府県のように非常に少ない場合は、 線形回帰・Ridge・Lasso のような正則化線形モデルが過学習を起こさず安定する。 アルゴリズム選定は「データの形状と量」で決まる、 という原則が最重要である。

表 4: 主要な教師あり学習アルゴリズムの実務的比較

教師あり学習における評価指標の選び方（タスク別）

教師あり学習で「精度が良いか」を判断する評価指標は、 タスク種別（回帰・分類）と業務文脈で大きく変わる。 回帰タスクなら RMSE（Root Mean Squared Error）と MAE（Mean Absolute Error）が二大基本指標で、 RMSE は外れ値に敏感、 MAE は外れ値に頑健、 という性質の違いを理解して使い分ける。 R²（決定係数）は「モデルが y の分散の何割を説明しているか」を 0-1 で示し、 直感的だが、 サンプル数や特徴量数の影響を受けるため、 調整済み R² と併用すべきである。 分類タスクでは Accuracy だけでは不十分で、 とくにクラス不均衡データでは Precision・Recall・F1・ROC-AUC・PR-AUC を組み合わせて評価する。 SSDSE-B-2026 を用いた典型例として、 「人口減少県（38 県）vs 人口増加県（9 県）」の 2 値分類では Accuracy 0.81 でも常に「減少」と予測すれば達成できてしまうため、 Recall（増加県の検出率）と F1 を主指標にすべきである。

表 5: 教師あり学習の評価指標チートシート

このコードでやること: SSDSE-B-2026 で「総人口から死亡数を予測する単回帰」を実装し、 RMSE・MAE・R² の 3 指標を同時に計算して、 指標ごとに数値感覚を掴む。

📥 入力例: SSDSE-B-2026 の A1101（総人口）と A4200（死亡数）の 47 行。

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

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
X = df[['A1101']].values   # 総人口
y = df['A4200'].values     # 死亡数

model = LinearRegression().fit(X, y)
y_pred = model.predict(X)

rmse = np.sqrt(mean_squared_error(y, y_pred))
mae  = mean_absolute_error(y, y_pred)
r2   = r2_score(y, y_pred)
print(f'RMSE = {rmse:,.0f}')
print(f'MAE  = {mae:,.0f}')
print(f'R^2  = {r2:.4f}')

📤 実行例:

💬 結果の読み方: RMSE（約 4,235 件）が MAE（約 2,844 件）より大きい（約 1.5 倍）ことから、 外れ値（東京・大阪）の影響で予測誤差が偏っていることが分かる。 R² は 0.978 と高いが、 これは大都市が主に押し上げているため、 地方県のみで再評価すべき。 評価指標は単一ではなく、 必ず複数を併記して読み解く。

教師あり学習における過学習（Overfitting）と汎化性能の本質

教師あり学習の最大の敵は過学習（オーバーフィッティング）である。 過学習とは「訓練データに対しては高精度だが、 未知データには性能が出ない」状態を指す。 SSDSE-B-2026 のように 47 サンプルしかないデータでは、 特徴量を増やすほど（例: 10 個以上）過学習リスクが急上昇する。 対策の三本柱は (1) 正則化（Ridge・Lasso・ElasticNet）、 (2) クロスバリデーション（k-fold、 LOOCV）、 (3) 早期停止（Early Stopping、 GBDT 系で必須）である。 とくに小サンプルでは Leave-One-Out CV（n=47 なら 47 回）が推奨で、 全データを順番に 1 件抜きでテストして汎化性能を評価する。 これにより hold-out 法に比べて評価のばらつきが小さく、 限られたデータを最大限活用できる。

表 6: 過学習を防ぐ 6 つの実務テクニック

教師あり学習の特徴量エンジニアリング 12 パターン

教師あり学習でモデル精度を引き上げる最大要素は、 アルゴリズム選定でも hyperparameter チューニングでもなく、 特徴量エンジニアリング（Feature Engineering）である。 同じデータ・同じ XGBoost を使っても、 特徴量設計が秀逸であれば R² は 0.85 から 0.95 に跳ね上がる。 SSDSE-B-2026 を例に、 実務で頻出する 12 の特徴量パターンを以下に整理する。 これらを組み合わせることで、 47 都道府県という限られたサンプル数でも実用的なモデルを構築できる。 とくに 派生比率（高齢化率 = 65 歳以上 / 総人口）と 対数変換（log(人口)）の 2 つは、 ほぼどの予測タスクでも効くため、 最初に試すべき定番である。

1. 派生比率: 高齢化率 = A1303 / A1101、 年少人口比率 = A1301 / A1101 など、 「分子 / 分母」で意味のある指標を作る。
2. 対数変換: log(総人口)、 log(死亡数) で右裾長分布を対称化し、 線形モデルに適合させる。
3. 標準化（Z-score）: 各特徴量を (x - μ) / σ で平均 0・分散 1 に揃え、 距離ベースモデル（SVM・KNN）の精度を向上。
4. Min-Max 正規化: (x - min) / (max - min) で 0-1 に揃え、 ニューラルネットの収束を加速。
5. カテゴリ→One-Hot: 地方（8 区分）を 8 列の 0/1 ベクトルに変換し、 線形モデルに食わせる。
6. カテゴリ→Target Encoding: 各カテゴリの y の平均で置換（リーク対策に CV 内で計算）。
7. 多項式特徴量: x² や x×z を追加して非線形性を線形モデルで近似（次数 2 が無難）。
8. ビン化（Binning）: 連続値を等幅・等頻度で離散化し、 非線形性を捉える。
9. 欠損フラグ: NaN を「欠損あり」フラグ列として保持（GBDT は NaN を直接扱える）。
10. 時系列ラグ: 前年・前 2 年の値を特徴量化（時系列タスクの基本）。
11. 集約統計量: 地方ごとの人口の中央値・最大値などをグループ統計で計算し、 元行に結合。
12. 外部データ結合: SSDSE-B 以外の公的データ（気象、 観光、 産業）を都道府県キーで結合し、 説明力を拡張。

🐍 特徴量を足して Ridge 回帰の LOOCV を確かめる

このコードでやること: SSDSE-B-2026 で「総人口 + 派生比率 + 地方 One-Hot」の特徴量を作り、 Ridge 回帰で死亡数を予測。 LOOCV で過学習を排した汎化性能を評価する。

📥 入力例: SSDSE-B-2026 の A1101（総人口）、 A1303（高齢人口）、 A1301（年少人口）、 A4200（死亡数）、 および都道府県コード。

 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

import numpy as np
import pandas as pd
from sklearn.linear_model import Ridge
from sklearn.model_selection import LeaveOneOut, cross_val_predict
from sklearn.metrics import r2_score
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)
df['log_pop'] = np.log(df['A1101'])
df['aging']   = df['A1303'] / df['A1101']   # 高齢化率
df['young']   = df['A1301'] / df['A1101']   # 年少人口比率
df['region']  = df['Code'].str[1:3]

num_cols = ['A1101', 'log_pop', 'aging', 'young']
cat_cols = ['region']
y = df['A4200'].values   # 死亡数

pre = ColumnTransformer([
    ('num', StandardScaler(), num_cols),
    ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols),
])
pipe = Pipeline([('pre', pre), ('reg', Ridge(alpha=1.0))])
# LOOCV は1点ずつ検証するため、全予測を集めてから決定係数を計算する
y_hat = cross_val_predict(pipe, df[num_cols+cat_cols], y, cv=LeaveOneOut())
print(f'LOOCV R^2 = {r2_score(y, y_hat):.4f}')

📤 実行例:

💬 結果の読み方: 総人口だけの線形回帰（LOOCV R²≈0.969）から、 特徴量エンジニアリング（log・派生比率・One-Hot）と Ridge 正則化を組み合わせることで、 LOOCV R² が 0.988 まで上昇した。 死亡数は人口規模だけでなく高齢化率にも依存するため、 派生比率の追加が効いている。 これは「特徴量エンジニアリングはモデル選定より効果が大きい」という鉄則の典型例。

🧮 数式に値を入れて手で計算する: 分類精度

合成 5 サンプルで予測精度を計算する。

Step 1: 予測

Step 2: Accuracy

🐍 Python で再現

1
2
3
4

import numpy as np
y = np.array([1, 0, 1, 0, 1])
yhat = np.array([1, 1, 1, 0, 0])
print(f"Accuracy: {(y == yhat).mean()}")

📤 実行結果

💬 手計算 (Step 2) 0.6 と Python 出力が完全一致。

🔗 隣接手法への橋渡し

教師あり学習は「(X, y) ペアからマッピング f: X → y を学習」する機械学習の中核パラダイム。 SSDSE-B-2026 で X = (総人口 A1101, 高齢化率 A1303/A1101, 転入者数 A5101, 一般診療所数 I5102 …) を入力、 y = 死亡数 A4200 を目的変数として線形回帰 / Lasso / LightGBM を学習させるのが典型ワークフロー。 47 都道府県という小サンプル下では正則化と交差検証が必須。

• 上流: 目的変数 (y) 設計、 特徴量設計 (X)、 学習・検証・テスト分割、 データリーク回避。
• 並列: 教師なし学習 (クラスタリング・次元削減)、 自己教師あり学習 (擬似ラベル)、 半教師あり学習、 強化学習。
• 下流: 交差検証、 評価指標 (RMSE / AUC / F1)、 ハイパラ調整 (Optuna)、 SHAP による解釈、 本番デプロイ。

教師あり学習は「ラベル取得コスト」が最大ボトルネック。 SSDSE のような公的統計はラベル付き既存データとして稀有な存在で、 47 件と小規模ながら学習教材として理想的。

🌳 手法選択フロー

SSDSE-B-2026 を題材に教師あり学習を始めるとき、 以下の Step でアルゴリズムを絞る。

1. Step 1: 目的変数 y はどんな型?
   • 連続値 (例: 死亡数・出生率) → 回帰。 線形回帰・ Ridge / Lasso ・ ランダムフォレスト回帰 を比較
   • 2 クラス (例: 人口減少県か否か) → ロジスティック回帰 / SVM / XGBoost
   • 多クラス (例: 政令市・中核市・一般市の 3 区分) → multinomial logit / softmax / one-vs-rest 分類
2. Step 2: サンプル数 n と特徴量数 p の比率は?
   • n=47 (都道府県数) で p > 10 → 過学習リスク大。 L2 正則化 / L1 正則化 / 交差検証 必須
   • n が大きい (例: 5760 市区町村 × 年) → tree ensemble (LightGBM / XGBoost) で非線形を活用
   • n が極端に少ない (n < 30) → 線形モデル + ブートストラップで信頼区間付き予測
3. Step 3: 解釈と精度のトレードオフは?
   • 解釈重視 (政策決定で根拠が必要) → 線形回帰 + 標準化偏回帰係数 (β*) で寄与度を可視化
   • 精度重視 (Kaggle 等) → XGBoost / LightGBM + SHAP で事後的に説明性を付与

この Step で「教師あり学習」のどの族 (線形回帰系 / 木系 / ニューラル系) を選ぶか迷いが減る。

🎮 触って理解する

キャンバスをクリック（スマホはタップ）してラベル付きデータを置いてみましょう。 置くたびにモデルが再学習し、予測規則（決定境界／回帰直線）がリアルタイムで更新されます。 最後にテスト点を置けば、学習した規則がその点のラベル（または値）を予測します。 これが「ラベル付きデータから予測規則を学ぶ＝教師あり学習」の体感です。すべての計算はこのページ内で正確に実行されます。

※ この砂場のデータは学習体験用の合成点です（SSDSE 実測値ではありません）。分類器はロジスティック回帰を勾配降下法で、回帰は最小二乗法で、いずれもブラウザ内で厳密に計算しています。

🔎 解説深化 — 教師信号(ラベル)は「与えられる」ものではなく「設計する」もの

このページの多くの節は「モデル」と「特徴量 X」に焦点を当ててきました。ここでは視点を裏返し、教師あり学習の性能上限を決める 目的変数 y(ラベル・教師信号)そのものの品質と定義 を掘り下げます。

🎨 直感

ラベルは天から降ってくる「絶対の正解」ではありません。誰かが「採点基準」を決めて付けた 設計物 です。模範解答は、出題者が基準を決めて書いたから存在する。基準が変われば「正解」も変わります。教師あり学習は、この採点基準を真似る作業にすぎません。だからモデルの精度は、採点基準(ラベル)の質と定義を決して超えられない。特徴量やモデルをいくら磨いても、教師信号が曖昧・恣意的・ノイズまみれなら、そこが天井になります。「良いモデルを作る」前に「良い y を定義する」——ここが分析設計の本丸です。

⚠️ 落とし穴(重要)

① ラベル定義の「閾値」がクラスバランスを激変させる(SSDSE-B-2026 実測)。 2023 年 47 都道府県について、高齢化率 = A1303(65 歳以上人口)÷ A1101(総人口)を計算すると、最高は 秋田県 39.1%、最低は 東京都 22.8%、平均 31.6%、中央値 31.8% でした。ここで「高齢県かどうか」を分類したいとき、どこで線を引くか は分析者が決めます。同じ 47 県・同じ特徴量のまま、閾値を動かすだけで問題は別物になります。

正例率は 85% から 26% まで動き、「何も学習せず多数派だけを答える」ベースライン精度も 85% → 51% → 74% と乱高下します。ここが罠です——モデルの Accuracy が 0.85 と出ても、正例率 85% の問題では 常に「高齢県」と答えるだけで達成できる値 であり、モデルは何も学んでいないかもしれない。「精度が上がった/下がった」の正体が、実は ラベル定義を変えただけ のこともある。閾値・境界・「正解の付け方」は分析者が握る設計変数であり、結論を左右します。だから結果を報告するときは ラベルの定義を必ず明記 し、境界付近のサンプル(31〜32% 帯に県が集中)がどちらに倒れるかで解釈が変わる点に注意します。

② 教師信号のノイズが精度の「天井(既約誤差)」を決める。 テスト誤差は大きく 3 つに分解できます:
テスト誤差 = 近似誤差(バイアス) + 推定誤差(バリアンス) + 既約誤差(ラベル自体のノイズ)
前の 2 項はモデルや正則化(過学習対策)で減らせますが、3 つ目はデータをどれだけ集めても・どんな高性能モデルでも消せません。教師信号そのものが誤って付けられていたら、正しく学ぶほど「間違った正解」に近づき、逆にノイズまで覚えにいくと過学習になります。
(架空の算術例) 仮にラベルの 15% がランダムに反転していると、真に最良のモデルでも「観測されたラベル」と一致できるのは最大でも約 1 − 0.15 = 85%。この 85% が天井で、そこへ 99% で当てにいくモデルは、ノイズを暗記した過学習を疑うべきです。(この 15% はデータではなく、天井の仕組みを示すための架空の仮定値)

③ 「教師(y)側の問題」と「特徴(X)側のリーク」を混同しない。 ⚠️ 落とし穴の章の「ラベルにリーケージが混入」で扱った データリーク は、未来情報や結果由来の値が 特徴量 X に混入する「入力側」の失敗でした。今回の①②は 教師信号 y の定義・品質という「出力側」の問題で、別の軸です。X 側は「予測時点で本当に使える値か」、y 側は「その正解は誰がどんな基準で・どれだけ正確に付けたか」——両輪をそれぞれ点検する必要があります。

🚀 発展

• 代理ラベル(proxy label)の危険: 本当に測りたい概念(例「県の暮らしやすさ」)を直接観測できず、入手しやすい別指標で代用すると、モデルは「暮らしやすさ」ではなく「代理指標」を予測します。y の妥当性(構成概念妥当性)を問う姿勢が要ります。
• 複数アノテータの一致度: 人手でラベルを付ける場合、採点者間の一致率(Cohen の κ 係数など)が低ければ、それが既約誤差の下限を示します。「人間ですら合意できない正解」をモデルに求めても無理があります。
• ラベル平滑化(label smoothing): 0/1 の断定を 0.1/0.9 のように緩めることで、ノイズの多い教師信号への過剰適合を抑える正則化。②の天井を意識した実務テクニックです。
• 弱教師あり・半教師あり学習への橋渡し: 正確なラベルが高コストなら、ノイズ込みの弱ラベルや少数の正解+大量の未ラベルを併用します。教師なし学習で X の構造を掴んでから少数の y を付ける発想が、この延長線上にあります。

🔗 関連ページ

数値は data/raw/SSDSE-B-2026.csv(2023 年・47 都道府県)の A1101(総人口)・A1303(65 歳以上人口)から算出した実測値。ラベルノイズ 15% の算術例のみ、天井の仕組みを説明するための架空の仮定値です。