② 機械学習の概要 ／ 10. モデルの選択・評価
交差検証とは
交差検証とは、データの分割を工夫してモデル性能を安定的に評価する手法の総称です。k-分割交差検証がその代表例としてG検定対策として重要です。
この用語はG検定シラバスの「10. モデルの選択・評価」に含まれます。 章全体の用語は用語解説②（全62語）にまとまっています。
一言でいうと
データの分け方を変えて何度も評価し、結果を平均することで評価を安定させる手法の総称です。
なぜ必要なのか
ホールドアウト検証では、たまたまの分割によって評価が上下してしまいます。とくにデータが少ないときはこの影響が無視できません。
交差検証では分割の仕方を変えて複数回評価し、その平均を取ることで、たまたまの影響を打ち消します。
総称と代表例
交差検証は総称です。具体的な方法としては次のようなものがあります。
- k-分割交差検証：データをk個に分けて評価をk回繰り返す（最も代表的）
- leave-one-out法：1件だけをテストに使い、それをデータ数だけ繰り返す（kをデータ数と同じにした形）
共通する代償は計算コストです。評価回数だけ学習を繰り返す必要があります。
クラスの偏りに配慮する
単純にランダム分割すると、あるfoldに特定のクラスがほとんど入らないことがあります。不均衡なデータでは深刻な問題です。
そこで各foldのクラス比率を元データと揃える層化（stratified）という工夫が使われます。分類問題では実質的に標準的な手法です。
🎯 G検定での押さえどころ
- 分割を変えて複数回評価し平均する
- 評価のばらつきを抑えるのが目的
- 代表例はk-分割交差検証（総称と代表例の関係に注意）
⚠️ よくある誤りの選択肢
- 「交差検証はホールドアウト検証より計算コストが低い」→ 誤り。何度も学習するため高くなります
- 「交差検証とk-分割交差検証は同義である」→ 誤り。k-分割は交差検証の代表例です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「交差検証」（E資格向け）
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。