⑥ AIの社会実装と数理・統計 ／ 36. データの収集・加工・分析・学習
データリーケージとは
データリーケージとは、学習データの中に、本来テスト時まで知る由もない将来情報が誤って混入し、実力以上の評価が出てしまう現象です。汎化性能の過大評価を引き起こす重大な問題です。
この用語はG検定シラバスの「36. データの収集・加工・分析・学習」に含まれます。 章全体の用語は用語解説⑥（全52語）にまとまっています。
一言でいうと
知ってはいけない情報が学習データに紛れ込み、実力以上の成績が出てしまう現象です。
よくある例
- 前処理の順序ミス：データを分割する前に全体で標準化してしまい、テストデータの統計量が学習側へ漏れる
- 目的変数由来の特徴量：「退院日」から作った特徴量で「入院期間」を予測するなど
- 時系列の無作為分割：未来のデータで過去を予測する形になる
いずれも本番では手に入らない情報を使ってしまっています。
なぜ危険なのか
検証では高い精度が出るため、問題に気づかないまま本番へ進みます。そして運用してから性能が出ないことが判明します。
対策は前処理を分割後に行う・時系列は時間で分割する・特徴量の由来を確認することです。交差検証でも同じ注意が必要になります。
防ぐための基本
- 分割を最初に行う：前処理より前に訓練用と検証用を分ける
- 時系列は時間で分ける：ランダム分割にすると未来の情報が混ざる
- 正解から作られた特徴量を疑う：本番では手に入らない情報が含まれていないか確認する
精度が不自然に高いときはまずリークを疑う——実務でよく言われる経験則です。
🎯 G検定での押さえどころ
- 本来知り得ない情報が混入し過大評価される
- 前処理は分割後に行う
- 時系列は時間で分割する
⚠️ よくある誤りの選択肢
- 「データリーケージが起きると検証時の精度が低くなる」→ 誤り。高く出てしまう点が問題です
- 「標準化は分割前に全データで行うのが正しい」→ 誤り。リーケージの原因になります
この用語を覚えたら
チェックは章ページと「試験内容解説」TOPの進捗にも反映されます
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。