機械学習はどうテストするのか

A:

「ソフトウェアテストをどうやって書くのか」が、動作が完全であることをどうやって保証するのか、という意味であるなら、機械学習ではそれはできない

一般のソフトウェアテストでは、入力されうる値の範囲・分布が事前に分かっている前提

その範囲内でおかしな出力を出すケースが存在しないことを確認するのがテスト

境界線がどこにあるかは、仕様書などで事前に明確に言語化されている

https://gyazo.com/de5f00b4e0b4aa027c25a60da4ce79c3

機械学習では境界が明確に言語化されていない

そもそも境界がぼやけているケースもある

分布にオーバーラップがある図

https://gyazo.com/85afc26928233cf5ea56cb2cabfe18bb

オーバーラップがある時にどこに境界を引くか

間違いの種類によって発生するコストが変われば、同じ分布であっても適切な境界が異なる

ビジネス要件の影響を受ける

AUCの話をするのも手だがROCの話からしないといけなくて手間

この図では分布が観察できるかのように書いたが現実の問題には2つの難しさがある

この図では入力が1次元だが、一般にはもっと高次元で、人間が直接観察できない

この図では分布が既知だが、一般には分布は未知で、その分布から限られた個数のサンプリングによって得られたデータがあるのみ

次元

人間が直感的に理解できるものより高次元

たとえば手書き文字認識を考えると、32x32のグレースケール画像という小さい画像でも1024次元ある

機械学習では、入力されうる値の分布が不明

32x32のグレースケール画像をランダムに作った場合、それが手書き文字に見えることはほぼない

つまり実際の「32x32のグレースケールで書かれた手書き文字の分布」は1024次元の空間のごく狭い部分空間に分布しているはず。

その分布の形を人間はうまく記述できない。

学習データは不明な分布からのサンプリング結果

なので学習データに対して100%の精度を出すことは重要ではない

まだ手元にない、将来サンプリングされるデータに対して高い精度を持つことが必要

その精度は何によってはかることができるのか

そこで入力データの一部を「これは未来に得られるデータだと見なそう」と考えて、分けて置く

学習結果がその「分けておいたデータ」でどの程度の精度を持つのかを観察する