AIエンジニアの面接対策
「陽性が全体の0.5%しかありません。どうしますか」|不均衡データの面接対策
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
不正利用の検知、設備の故障予知、製品の外観検査、解約の予測など、業務で扱う分類の多くは、見つけたいものがごく少ない「不均衡データ」です。そのため面接でも、「陽性が0.5%しかないデータで、どう学習しますか」という形でよく聞かれます。
「SMOTE を使います」とだけ答える人は少なくありません。しかし面接官が見ているのは、手法の名前より、何が問題で、どこを直すべきかを切り分けられるかです。この記事では、答えの骨組みから深掘りの質問、よくある失敗、経験の話し方まで順に解説します。
よく聞かれる質問
- 陽性が全体の0.5%です。そのまま学習すると何が起きますか
- オーバーサンプリングとアンダーサンプリングの違いと、それぞれの欠点は
- クラスの重みを付けるのと、しきい値を変えるのは何が違いますか
- アンダーサンプリングして学習したモデルの予測確率は、そのまま使えますか
- 陽性のラベルが少なすぎて、そもそも学習できません。どうしますか
答えの骨組み
最初の質問には、「何が起きるか」と「どこで直すか」に分けて答えます。
何が起きるか:そのまま学習しても、モデルが必ず壊れるわけではありません。問題になりやすいのは、正解率で評価すると「すべて陰性」と答えるだけで99.5%になり、良し悪しが分からなくなることと、しきい値を0.5のままにすると陽性をほとんど拾わないことです。
どこで直すか:対処は3つの段階に分けられます。
| 段階 | 方法 | 向いている場面 |
|---|---|---|
| 評価 | PR-AUC、再現率、上位 k 件の適合率などで測る | 必ず最初にやる |
| 判定 | しきい値を業務の条件で決める | 確率の順位が正しく出ているなら、これだけで足りることが多い |
| 学習 | クラスの重み、リサンプリング、損失関数の変更 | 少ないクラスの特徴をモデルが学べていないとき |
「まず評価としきい値を直し、それでも足りなければ学習の側を直す」という順番を示せると、実務を分かっている印象になります。
深掘りの質問と答え方
「オーバーサンプリングとアンダーサンプリングの欠点は」
- アンダーサンプリング(多いクラスを減らす):学習が速くなるが、捨てたデータの情報を失う。減らし方によっては、陰性の中の珍しいパターンを学べなくなる
- オーバーサンプリング(少ないクラスを増やす):同じデータを複製すると、そのデータを覚えてしまいやすい。SMOTE のように近くの点の間に新しい点を作る方法は、特徴量の空間で補間するので、カテゴリ変数が多いデータや、画像・文章のようなデータでは不自然な点ができやすい
もう1つ大事なのは、リサンプリングは学習データだけに行うことです。分割の前に行うと、複製した同じ点が検証データにも入り、精度を高く見積もります。交差検証では、分割の中で毎回行います。
「クラスの重みと、しきい値の調整は何が違いますか」
クラスの重みは、学習のときに少ないクラスの間違いを重く数えることで、モデルが何を学ぶかを変えます。しきい値の調整は、学習済みのモデルの出力をどこで区切るかだけを変えます。
ロジスティック回帰のように確率がよく較正されるモデルでは、重みを付けるより、しきい値を変えるだけで同じような効果が得られることが多いです。一方、勾配ブースティングや深層学習で、少ないクラスの特徴をそもそも学べていないなら、重みや損失関数の変更(例えば、分類しやすいデータの損失を小さくする focal loss)が効く場合があります。
「アンダーサンプリングしたモデルの確率は、そのまま使えますか」
使えません。陰性を1/10に減らして学習すると、モデルは陽性が実際より10倍多い世界を学びます。予測の確率は高めに出ます。
確率を金額の計算などに使うなら、減らした割合で補正するか、本来の分布の検証データで較正し直します。補正の式は、陰性を割合 r で残したとき、学習時の確率を p として、次のとおりです。
補正後の確率 = r × p / (r × p + 1 − p)
順位だけを使うなら補正は要りませんが、それを分かったうえで「要らない」と言えることが大事です。
「陽性のラベルが数十件しかありません」
手法より、データの集め方を答えます。
- 異常検知(正常のデータだけで学習し、外れたものを見つける)として解く
- ルールで候補を絞り、人が確認した結果をラベルとして貯める
- 判断に迷うデータを優先して人に確認してもらう(能動学習)
- 画像の外観検査なら、データ拡張や、正常品だけで学習する手法を使う
「数十件のうちの何件を評価に残すか」にも触れると良いです。陽性が30件なら、評価に10件残すと、1件の判定で再現率が10ポイント動きます。その幅を踏まえて、交差検証で複数回測ると答えます。
「本番では陽性の割合が変わりました」
学習時と本番で陽性の割合が違うと、確率の値もしきい値の意味も変わります。本番の陽性の割合を定期的に推定し、しきい値や確率の補正を見直す、と答えます。詳しくはモデルの劣化への対処で解説しています。
よくある失敗
書き換える前 不均衡データなので、SMOTE でデータを増やしてから学習しました。精度は98%になりました。
リサンプリングをいつ行ったか、何で評価したかが分かりません。98%という正解率は、陽性が少ない課題ではほとんど意味がありません。
書き換えた後 まず PR-AUC と、確認担当が処理できる上位300件の再現率で今のルールと比べました。しきい値を変えるだけでは再現率が目標に届かなかったので、学習データの中だけで陰性を1/5に減らし、確率は検証データで補正し直しました。上位300件の再現率は62%から78%に上がりました。
ほかには、次のような失敗がよくあります。
- 評価データまでリサンプリングしてしまう
- 時系列のデータで、未来の陽性を学習に使ってしまう
- 陽性の件数を確かめずに、小さな差でモデルを選ぶ
実務の経験の話し方
不均衡データの経験は、どの業務でも話しやすい題材です。次の点を入れると具体的になります。
- 陽性の割合と件数(「全体の0.3%、月に約200件」など)
- 何で評価し、なぜその指標にしたか
- しきい値の調整と学習の工夫のうち、どちらがどれだけ効いたか
- 効かなかった方法も含めて試したこと
「SMOTE を試したが効かず、しきい値の調整と特徴量の追加が効いた」のような話は、むしろ説得力があります。手法を試して結果で判断できる人だと伝わるからです。
まとめ
- 不均衡データの問題は、まず評価としきい値で直し、足りなければ学習の側を直す
- リサンプリングは学習データの中だけで行い、確率を使うなら補正する
- 陽性が極端に少ないなら、手法よりラベルの集め方を答える
- 経験は、件数・指標・効いた方法と効かなかった方法をセットで話す
これまでの経験を面接でどう話せばよいか迷ったら、ジンベイ AIタレントに職務経歴書を送って相談してみてください。
