機械学習で入ってはいけないデータが混入する「リーケージ」とその対策：もう失敗しない！製造業向け機械学習Tips（1）（2/2 ページ）

バリデーションスキームによりモデルの精度を検証する

　予測モデルは、必ずバリデーション（Validation）により精度を検証します。pythonのライブラリscikit-learnにはStratifiedKFold（層状K分割）などの仕組みが用意されており、データを分割して学習と検証に使うことができます。

　バリデーションのパターンの一つが交差検定です（図1）。例えば、データを5分割して4分割分でモデルを生成し、残りの1分割でバリデーションを行います。バリデーションに使うデータをずらしていくことで、モデルの精度を検証できます。

図1　バリデーションの一つである交差検定（クリックで拡大）

　しかし、このバリデーションスキームを安易に製造業に適用してしまうと、問題が発生する場合があります。その原因は、製造ロット特性と意図的なデータ収集です。詳しく見ていきましょう。

　1つ目は、製造ロットによる品質の偏りです。例えば、同一ロット内では原料ロットや装置の日間差が少なく、品質が似かよる傾向があります。しかし、このデータ上の特性を考慮せずにランダムに分割して学習とバリデーションを行ってしまうと、ロットの癖を知った上での予測モデルが出来上がってしまいます。

　この場合、机上ではモデルの精度は高くなりますが、実際の現場では異なるロットでの製造が行われますから、期待していたような予測精度が得られないということがあります。この問題を避けるためには、GroupKFold（グループ付き交差検証）という仕組みを使って、同じロットのデータが学習と検証に混じらないように設計する必要があります（図2）。

図2　GroupKFoldを用いたグループパーティショニング（クリックで拡大）

　2つ目は、意図的なデータの生成です。製造業では研究開発の場で機械学習が使われることが多いですが、例えば、研究員が材料の配合を検討する場合、ランダムに材料を配合するわけではありません。複数の添加剤があったとき、今日は添加剤Aの配合量のみを変えて他の材料は同一にしてテストすることで添加剤Aの適正配合量を検証しよう、といったやり方で意図的にデータを収集します。

　この研究用データを学習データとして性能予測モデルを生成すると、配合のパターンが決まっているので、性能を予測しやすくなってしまいます。意図があって収集されたデータであれば、それを踏まえたバリデーションスキームを組む必要があります。

　ロット、バッチ、実験など、データがその生成プロセスに起因する特殊な内部構造を持つ場合にそれを考慮せずにモデルを生成してしまうというリーケージは、製造業で高い確率で発生しています。

　この他のよくある失敗例としては、時系列データを同様にランダムに分割して学習とバリデーションを行ってしまうケースがあります。この場合は、時間で学習とバリデーションを分割する必要があり、これを怠ると未来のトレンドを知っていることを前提としたモデルができてしまい、やはりリーケージとなってしまいます。

　いずれにせよ、モデルの検定では、実務に携わる人自身も参加できるようなスキームを用意するとよいでしょう。モデリングに使うデータの内容、生成プロセスの理解に加え、実務についてもよく知っている人の感覚は、モデルと現実との乖離を発見するのにとても重要です。学習とバリデーションのデータが、実務の予測と同じプロセスで生成されており、両者が相似な関係であることを意識して、データを活用しましょう。

リーケージを防ぐためのポイント

　説明してみるとミスの内容は単純ですが、リーケージは多くの現場で発生しています。そして、リーケージによるモデルの不具合に気が付かないまま予測が行われている例は少なくありません。

　リーケージを防ぐ万全の対策はありませんが、ドメイン知識と照らし合わせて、モデルの精度が高すぎる場合は、「予測には使えないデータを使っていないか」「バリデーションが正しくできているか」を疑ってみるといいでしょう。

　次回は「機械学習を用いた業務の最適化」について解説します。