1 予測誤差の定義と基本概念
1.1 予測値と実測値の関係
予測誤差とは、モデルや手法が出力する予測値と、実際に観測された実測値との差である。通常、対象は時点や観測単位ごとに定まり、同一の尺度で比較できる形に揃えられる。予測値は推定過程の結果であり、実測値は評価の基準として扱われるため、両者の定義域・単位・集計方法の整合性が評価の前提となる。
1.2 誤差の代表的な表現（差分・絶対・二乗）
1.2.1 残差としての見方
残差は、実測値から予測値を引いた量として定義されることが多い。符号付きであるため、予測が過大か過小かを同時に読み取れる。残差を眺める利点は、誤差の方向性や系統的な偏りを直感的に把握しやすい点にある。一方で、分布の形やスケールの影響を受けやすく、モデル比較には追加の集約指標が必要になる場合がある。
1.2.2 機械学習での誤差指標としての見方
機械学習では、残差をそのまま使うこともあるが、多くの場合は学習目的や評価目的に合わせて加工する。例えば、絶対値に変換すれば符号の影響を抑えつつ大きい誤差の扱いをある程度調整できる。二乗に変換すると大誤差を強く罰する性質が生じ、最適化の安定性や推定の統計的解釈と結びつくことがある。どの変換を選ぶかで、誤差への“重み付け”の方針が変わる。
1.3 誤差と予測精度の違い
1.3.1 誤差（誤差量）と精度（良さ）の対応
誤差は数値としての差の大きさや性質を指すのに対し、精度はそれをまとめた評価の“良し悪し”を表す概念として用いられることが多い。例えば、誤差が小さいほど精度が高いとみなすのが一般的だが、実際には指標の方向（大きいほど良い／小さいほど良い）や、損失関数の設計次第で解釈は変わる。したがって、同じ“誤差”という語でも、何をどう集約した指標なのかを併記して扱う必要がある。
1.3.2 スケール依存性の考え方
差分や二乗誤差のような量は、対象のスケールに依存しやすい。単位が違う、もしくは値の大きさが異なるデータ間では、同じ誤差量でも意味が揃わないことがある。そこで、正規化や相対化によりスケールを調整した指標が使われることが多い。スケール依存性を意識することは、複数データセットや条件別比較で誤解を避けるうえで重要である。
2 予測誤差の評価指標
2.1 平均誤差系の指標
2.1.1 平均絶対誤差
平均絶対誤差は、各時点の誤差の絶対値を平均したものとして定義される。絶対値により符号情報を捨てるため、過大・過小の区別は集計段階で失われる。特徴として、外れ値の影響が二乗誤差より弱くなりやすい点が挙げられる。結果として、誤差分布の裾が重い場合でも比較的安定に評価できることがある。
2.1.2 平均二乗誤差
平均二乗誤差は、残差を二乗し平均する指標である。二乗により大きな誤差が強く強調され、モデルが取りこぼす致命的な外れに対して厳しい評価を与える傾向がある。統計的には、誤差が特定の仮定を満たす状況で自然な損失として現れることがあり、学習・推定の設計と結びつきやすい。反面、外れ値に過度に引っ張られる可能性もあるため、目的に照らした解釈が必要になる。
2.2 相対誤差系の指標
2.2.1 割合としての正規化
相対誤差系では、誤差を何らかの基準値で割り、割合として評価する。基準には実測値の大きさ、平均との差、もしくはモデルの基準予測などが用いられることがある。割合にすることで、異なるスケールのデータでも相対的な改善度を比較しやすくなる。ただし、基準が小さい領域では割り算が不安定になりやすく、定義や小さい値への対処が設計要件になる。
2.2.2 指標選択の指針
指標選択は、対象データの性質と意思決定の要請を合わせて考える必要がある。例えば、極端値が現れやすく、それでも平均的な当たりを重視するなら、外れ値に頑健な指標が選ばれることがある。逆に、最大級の失敗を許容できないなら、大誤差を強く罰する設計が適合する。さらに、正規化の基準や定義域の扱い（ゼロ付近、符号付き値など）も選択の一部として扱われる。
2.3 確率的予測における誤差
2.3.1 予測区間と被覆率の観点
確率的予測では、点推定に加えて不確実性を表す形で予測区間が提示される。被覆率は、所定の信頼レベルの区間に実測値が入る割合として定義される。被覆率が期待値より低い場合は区間が狭すぎる可能性があり、逆に高すぎる場合は過度に広いことが示唆される。区間幅も同時に考慮しないと、単なる“当てた割合”の達成で終わってしまうため、併用が行われる。
2.3.2 尤度やスコアリングの考え方
確率分布としての予測を評価する場合、尤度の考え方やスコアリング則が利用される。予測分布の下で実測値がどれだけ“起こりやすい”と評価されるかを数値化するため、点の誤差だけでなく分布の形が反映される。スコアリングでは、分布の校正（信頼度の整合）や鋭さ（分布が無駄に広がらないこと）とのバランスを重視する枠組みが用いられることが多い。したがって、単純な距離尺度より情報量の多い評価が可能になる。
2.4 指標の長所と短所
2.4.1 外れ値に対する感度
平均二乗誤差のような二乗型は、大きな残差を強く拡大して反映するため外れ値に敏感になりやすい。平均絶対誤差は比較的影響を抑えやすい一方で、極端な失敗の重み付けは弱くなる。相対誤差は、基準値の小さい領域で大きく振れうるため、分母の設計が重要になる。外れ値の発生頻度と許容方針に応じて、感度の方向を理解して選定することが求められる。
2.4.2 誤差の対称性の扱い
残差を絶対値化すれば過大と過小が同程度に扱われる。二乗では方向が消える一方で、大小の差がより強調される。符号を残したまま評価する設計では、体系的な過大見積りや過小予測を検出しやすい。どの性質を重視するかは、実務の損失構造に依存し、例えば“過小が致命的”なのか“どちらでも悪い”のかで適切な指標は変化する。
3 時系列・逐次予測における予測誤差
3.1 予測ホライズンによる誤差の変化
時系列では、予測対象までの距離（ホライズン）が長くなるほど誤差が増える傾向がある。これは将来側の不確実性が累積しやすいことや、予測に必要な情報の欠落が時間とともに拡大するためである。評価では、同一の平均値で済ませず、ホライズン別に誤差の推移を確認することで、どの範囲が特に弱いかを特定できる。
3.2 学習期間と評価期間の分離
逐次予測では、学習に使った時期と評価に使った時期を明確に分ける必要がある。分離が不十分だと、将来情報が間接的に混入する危険がある。一般に、時系列分割やローリング評価のような枠組みが用いられ、誤差指標を過去に対してだけでなく“次に来る期間”に対して再現性ある形で測ることが意図される。
3.3 ドリフト（状態変化）と誤差増大
ドリフトは、データの生成過程が時間とともに変わる現象として扱われる。結果として、学習時には適合していた仮定が崩れ、誤差が増えたり偏りが出たりする。ドリフトは季節性や経済状況の変化など、さまざまな原因で生じうるため、誤差の“単なる増加”だけでなく、残差のパターン変化として観測する視点が有用である。
3.4 自己相関を持つデータでの注意点
3.4.1 残差診断の基本
自己相関があるデータでは、残差がランダムに見えない場合がある。単純な平均誤差だけだと、順序に関する欠陥が見逃されることがあるため、残差の自己相関、時系列上の散らばり、分散の変化などを確認することが推奨される。診断により、モデルが捉え切れていない時間構造が存在する可能性を示せる。
3.4.2 構造的誤差の見つけ方
構造的誤差とは、特定の条件や時点で繰り返し生じる系統的なずれを指す。例えば、特定の曜日やイベント前後で過大予測が増える場合などが該当する。改善策を選ぶためには、残差を条件別に集約し、パターンが再現されるかを検証する手順が重要になる。単なる偶然の揺らぎではないことを示せれば、特徴量やモデル構造の見直しへつながる。
4 予測誤差の要因分析と改善
4.1 データ側の要因
4.1.1 ノイズと観測誤差
観測には測定器の誤差や記録の揺らぎが含まれることがある。観測誤差は、見かけの残差の一部として現れ、予測手法の改善だけでは取りきれない成分となる場合がある。ノイズの大きさや分布の推定は、誤差の下限（理論的にどこまで減らせるか）を理解する上で役立つ。
4.1.2 欠測・外れ値・偏り
欠測は学習データの一部が欠けるため、推定に系統的な歪みを導く可能性がある。外れ値は一部の条件で極端な値が現れた結果であり、モデルが平均的な関係のみ学ぶと誤差が跳ねやすい。偏りは、サンプリングの偏りや測定手順の変更などにより、特定の領域が過剰に反映されることで生じる。これらの要因を整理し、データ処理と評価方法の両面で対応方針を決めることが改善の起点になる。
4.2 モデル側の要因
4.2.1 仮定のミスマッチ
モデルは何らかの仮定（線形性、独立性、分布形、スムージングなど）を内包する。実データがそれと一致しない場合、残差に一定の形が残り、誤差は構造的に抑えられないことがある。ミスマッチを疑うには、残差診断や条件別評価で系統性が見えるかどうかが手がかりになる。仮定の選び方そのものが、誤差の性格を決める。
4.2.2 学習不足・過学習
学習不足は表現力や探索が不十分な状態で、誤差が改善しきらない。過学習は、訓練データの細部に適合しすぎて汎化性能が落ちる状態で、評価期間で誤差が増えやすい。対策としては、正則化、モデル容量の調整、学習データの拡充、検証設計の強化などが挙げられる。誤差の推移を訓練と評価で対比することが判定に有効である。
4.3 推定・実装側の要因
4.3.1 前処理（正規化、特徴量）依存
前処理はモデルに入力される情報の形を変えるため、誤差にも直接影響する。例えば正規化の方法が不適切だと、スケールに関する勘違いが生まれたり、分布の偏りが増幅されたりする。特徴量設計も同様で、関連性の低い情報や漏れのある派生変数は誤差を悪化させる。実装では学習時の統計量を評価時へ漏らさないなど、手続きの整合も重要になる。
4.3.2 ハイパーパラメータとチューニング
ハイパーパラメータはモデルの振る舞いを左右する要素であり、誤差の増減に直結することが多い。最適化の指標、学習率、木の深さ、正則化係数などは、過学習と学習不足の境界を決める役割を持つ。適切なチューニングには、検証設計の再現性や検索範囲の妥当性が求められ、探索を行っても評価設計が崩れていれば結論は信頼できない。
4.4 改善の実務手順
4.4.1 指標に基づく改善サイクル
改善は、まず誤差を定量化し、次に誤差の性格を分類し、最後に仮説を立てて修正するという循環で進められる。指標だけでなく、残差の可視化や条件別集約によって、どこで悪化しているかを特定することが望ましい。修正後は同一手順で再評価し、改善が偶然ではなく再現性を持つかを確認する。
4.4.2 段階的なモデル比較と検証
段階的比較では、まず単純なベースラインを作り、その後に構造や特徴量を増やしていく。比較の粒度を上げ過ぎると原因の特定が難しくなるため、変更点を管理しながら検証することが有効である。最終的には、評価期間の誤差指標だけでなく、想定する運用で必要な性質（区間の妥当性、不確実性の校正、計算コストなど）も含めて判断する。
5 予測誤差と意思決定（応用の基礎）
5.1 誤差コストの考え方
誤差の“大小”は、状況によって価値が変わる。例えば過小予測の方がコストが高い、あるいは特定の範囲の誤差だけが問題になる場合がある。そこで、予測値と誤差の実害を結びつけるために、損失関数やコスト行列の考え方が導入される。誤差指標は、コストに整合する形で選ぶことで意思決定の有効性が高まる。
5.2 二段階・リスク最適化との関係
リスク最適化は、将来の不確実性を踏まえて期待損失を小さくする方針として理解できる。二段階の枠組みでは、予測により不確実性を見積もり、その後の意思決定でコストを最小化する流れが想定される。点推定の誤差だけでは捉えきれない“分布の形”が効く場面があり、確率的予測の重要性が増す。
5.3 目的に応じた指標選定
5.3.1 コストに整合する評価
指標は、現場で求める失敗の種類に合わせて定める必要がある。運用で許容される誤差範囲が狭いなら、二乗型や区間の鋭さを含む評価が適合することがある。逆に、多少の外れが許されるなら、平均的なズレを捉える指標が十分な場合もある。目的の翻訳として、評価指標を決める姿勢が重要になる。
5.3.2 条件付き評価の導入
一律の平均で意思決定を行うと、弱点領域が見落とされる。条件付き評価では、特定の状況（気象、需要帯、ユーザー属性など）ごとに誤差を集計し、性能の偏りを把握する。これにより、改善の優先順位や運用上の制約を具体化できる。評価設計は、現場の条件分岐に沿うほど意思決定へ直結しやすい。
5.4 現場での誤差報告の作法
5.4.1 不確実性の併記
点推定の誤差だけでは、次の判断に必要な余裕度が伝わらないことがある。確率的予測を使う場合は、予測区間や信頼度を併記し、どれほどのばらつきを見込むべきかを示すと説明可能性が高まる。これにより、誤差の“見込み”と“リスク”を同時に扱える。
5.4.2 誤差の説明責任（再現性）
誤差報告では、データ範囲、前処理手順、評価期間の分割、指標の定義を明確にする必要がある。同じ数値が再現されることは、関係者間での合意形成や監査に直結する。加えて、変更履歴（モデル更新や特徴量追加）と評価結果の対応づけを行うことで、改善がどの要因によって生じたかを説明しやすくなる。