クラス不均衡問題のための木の刈り込みと再サンプリング

スマートな予測で稀な事例が重要な理由

人工知能に支えられた多くの意思決定は、稀な事象を見つけることに依存しています：不正なクレジットカード利用、疾患の早期兆候、機械の危険な故障などです。こうした状況では、重要な事例は通常の事例よりもはるかに少なく、大半の学習アルゴリズムはそれらを無視してしまいがちです。本稿では、広く使われる手法であるランダムフォレストを、こうした稀で重要な事例に対してより敏感にする方法――しかもモデルをよりスリムで高速にする手法――を紹介します。

引用: Faiz, N., Iftikhar, S., Jan, S. et al. Pruning tree forest and re-sampling for class imbalanced problem. Sci Rep 16, 8087 (2026). https://doi.org/10.1038/s41598-026-38320-1

キーワード: クラス不均衡, ランダムフォレスト, リサンプリング, 機械学習, アンサンブル手法