データサイエンティストが不正検知モデルを構築しています。トレーニングデータセットには99%の正規取引と1%の不正取引が含まれています。初期モデルは全体精度（Accuracy）99%を達成していますが、実際の不正取引のうち

Question

データサイエンティストが不正検知モデルを構築しています。トレーニングデータセットには99%の正規取引と1%の不正取引が含まれています。初期モデルは全体精度（Accuracy）99%を達成していますが、実際の不正取引のうちモデルが正しく検出できた割合を示す再現率（Recall）が極めて低い状態です。このクラス不均衡問題に対処するための最も効果的な手法を2つ選んでください。

Accepted Answer

正解: SMOTE（Synthetic Minority Over-sampling Technique：少数クラスのサンプルを近傍データから合成的に生成してデータ数を増加させる手法）を適用して少数クラスのサンプル数を増やす / 少数クラス（不正取引）の誤分類により大きなペナルティを与えるクラスウェイト（class_weight）をモデルに設定する。クラス不均衡問題への対処法を選択肢ごとに解説します。

選択肢AのLearning Rate（学習率）の変更はモデルの収束速度を調整するパラメータであり、クラス不均衡の根本的な問題には直接対処できません。

選択肢BのSMOTEは少数クラスの近傍サンプルを合成してクラス分布を均等化することで、モデルが不正取引のパターンを十分に学習できるようになります。オーバーサンプリング手法としてクラス不均衡への直接的な対処として有効です。

選択肢Cのクラスウェイト設定は少数クラス（不正取引）の誤分類ペナルティを増大させ、モデルが不正取引を見逃さないよう学習を誘導します。アルゴリズムレベルでのクラス不均衡対処として効果的です。

選択肢Dのアンダーサンプリング（多数クラスの大幅削減）は有効な正規取引データを捨てることになり、情報損失が大きいため通常は最終手段とされます。

Answer

モデルの学習率（Learning Rate：各学習ステップでパラメータをどれだけ更新するかを制御するハイパーパラメータ）を大幅に増加させる — 学習率の変更はクラス不均衡に直接対処しません。

Answer

多数クラス（正規取引）のサンプルを大量に除去して手動でクラス比率を均等にする — 多数クラスの大幅削減（アンダーサンプリング）は有効な情報損失を招くため通常は最終手段とされます。