「オーバーサンプリング（Oversampling）」と「アンダーサンプリング（Undersampling）」をやさしく丁寧に解説
山崎講師
こんにちは。ゆうせいです。
今回は、「オーバーサンプリング（Oversampling）」と「アンダーサンプリング（Undersampling）」という、不均衡データを扱うための重要なテクニックについて解説します。
「クラスが偏ってるとモデルがうまく学習しないって聞いたけど、どう対処するの？」
「オーバーとアンダーって何がどう違うの？」
そんな疑問を持っている方へ。
この記事では、両者の違い・使い分け・メリットとデメリット・よくある手法まで、やさしく丁寧にお伝えしていきます！
不均衡データとは？
まず前提として、「不均衡データ（imbalanced data）」とは何かをおさらいしましょう。
たとえば、ある医療データで「陽性患者が全体の1％、残り99％が陰性」のように、分類クラスの数が極端に偏っている場合です。
このような状態では、学習したモデルが「全部陰性」と予測しても99％正解してしまうため、
本当に知りたい「陽性」を見つける力が低くなります。
オーバーサンプリング vs アンダーサンプリング
どちらも「クラスのバランスを整える」ための方法！
| 手法 | どうする？ | 目的 |
|---|---|---|
| オーバーサンプリング | 少ないクラス（＝マイノリティ）を増やす | 少数派を学習しやすくする |
| アンダーサンプリング | 多いクラス（＝マジョリティ）を減らす | データ全体のバランスを取りやすくする |
オーバーサンプリングの特徴
方法の例
- 単純な複製（同じデータをコピー）
- SMOTE（Synthetic Minority Over-sampling Technique）
→ 少数派クラスの近くに似たような合成データを作る手法
メリット・デメリット
| メリット | デメリット |
|---|---|
| 少ないクラスの特徴を学習しやすくなる | 学習時間が長くなる（データ量が増える） |
| 情報を失わずに済む | 過学習（同じデータを何度も見せることで）が起きやすい |
アンダーサンプリングの特徴
方法の例
- ランダム削除（マジョリティクラスのデータをランダムに間引く）
- Tomek Links・NearMissなどの知識ベースな間引き方法
メリット・デメリット
| メリット | デメリット |
|---|---|
| モデルがシンプルになる（処理が速い） | 貴重な情報を捨てるリスクがある（データ量減少） |
| バランスが取りやすい | 運が悪いと「重要なデータ」を消してしまうこともある |
図でイメージしよう！
元のデータ（不均衡）
●●●●●●●●●●●●●●●（多数派クラス）
○○（少数派クラス）
↓オーバーサンプリング
●●●●●●●●●●●●●●●
○○○○○○○○○○○○○○○（○を増やす）
↓アンダーサンプリング
●●●●●●●●●●●（●を減らす）
○○（○はそのまま）
どちらを使えばいいの？
| 状況 | 向いている手法 |
|---|---|
| データが少ない（全部使いたい） | オーバーサンプリング |
| 計算リソースを節約したい | アンダーサンプリング |
| 少数派のデータが複雑・多様 | オーバーサンプリング（SMOTEが有効） |
| 多数派に重複が多く、情報が冗長 | アンダーサンプリング |
実際によく使われる技法
| 手法名 | 概要 |
|---|---|
| RandomOverSampler | 少数派クラスのデータをランダムに複製 |
| SMOTE | 少数派データから新しいデータを補間で生成 |
| RandomUnderSampler | 多数派データをランダムに削除 |
| Tomek Links | クラスの境界にあるペアデータを分析して、削除候補を選ぶ |
これらはPythonのライブラリ「imbalanced-learn」で簡単に使えます。
まとめ！
| 観点 | オーバーサンプリング | アンダーサンプリング |
|---|---|---|
| 操作内容 | 少数派クラスを増やす | 多数派クラスを減らす |
| 情報保持 | ほぼ完全に保てる | 一部の情報を失う可能性がある |
| 処理速度 | 遅くなる可能性がある | 比較的速い |
| 過学習リスク | あり（特に単純な複製では） | 比較的少ない |
| 適しているケース | 少数派をもっと詳しく学ばせたいとき | データが豊富で高速処理したいとき |
今後の学習の指針
オーバーサンプリングとアンダーサンプリングの基礎が理解できたら、次は以下を学ぶと良いでしょう：
- SMOTEなどの高度なオーバーサンプリング法の仕組みを詳しく学ぶ
- 実際の不均衡データセットで、各手法を比較して精度を検証してみる
- クラス不均衡に強いアルゴリズム（XGBoostなど）との組み合わせも試す
クラスのバランスは、モデル性能に大きく影響する重要ポイントです。
今回の知識をベースに、実際の課題にうまく適用できるようになりましょう！
生成AI研修のおすすめメニュー
投稿者プロフィール
