# バイアスと公平性

> バイアスと公平性 - 高度なオプションの「バイアスと公平性」タブについて説明します。ここでは、保護特徴量の設定、公平性指標の選択、バイアス軽減手法の設定が可能です。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-15T05:55:44.957325+00:00` (UTC).

## Primary page

- [バイアスと公平性](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [オートパイロット前の指標とバイアス軽減の設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#configure-metrics-and-mitigation-pre-autopilot): In-page section heading.
- [公平性指標の設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#set-fairness-metrics): In-page section heading.
- [バイアス軽減手法の設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#set-mitigation-techniques): In-page section heading.
- [オートパイロット後の指標とバイアス軽減の設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#configure-metrics-and-mitigation-post-autopilot): In-page section heading.
- [公平性テストを伴う再トレーニング](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#retrain-with-fairness-tests): In-page section heading.
- [バイアス軽減策を適用した再トレーニング](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#retrain-with-mitigation): In-page section heading.
- [単一モデルの再トレーニング](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#single-model-retraining): In-page section heading.
- [複数モデルの再トレーニング](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#multiple-model-retraining): In-page section heading.
- [バイアスが軽減されたモデルを識別する](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#identify-mitigated-models): In-page section heading.
- [モデルを比較](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#compare-models): In-page section heading.
- [バイアス軽減策の対象となるモデル](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#mitigation-eligibility): In-page section heading.
- [バイアス軽減策に関する注意事項](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#bias-mitigation-considerations): In-page section heading.

## Documentation content

バイアスと公平性のテストでは、二値分類モデルの公平性を計算することや、モデルの予測動作におけるバイアスを特定することができます。 DataRobotでは、バイアスはさまざまな母集団（またはグループ）におけるモデル予測の差を表します。一方、公平性とはモデルのバイアスを表す指標です。

データセットで保護されている特徴量を選択し、 [モデル構築前](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#configure-metrics-and-mitigation-pre-autopilot) に、またはモデル構築後に [リーダーボードから](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#configure-metrics-and-mitigation-post-autopilot) 、公平性指標とバイアス軽減手法を選択します。 [バイアスと公平性のインサイト](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/bias/index.html.md) を活用して、モデルに含まれるバイアスを特定したり、モデルがトレーニングデータのどこからなぜバイアスを学習しているかといった根本原因分析の結果を視覚化することができます。

バイアス軽減は、保護された特徴量における1つ以上のグループ（クラス）に対して、選択された公平性指標でより高いスコアの予測を生成することによって、特定された [保護特徴量](https://docs.datarobot.com/ja/docs/reference/glossary/index.html.md#protected-feature) でのモデルのバイアスを削減（「軽減」）するための手法です。 二値分類プロジェクトで利用でき、通常、公平性が向上しますが、精度がわずかに低下します。

一般提供されているバイアスと公平性のテストおよび軽減機能の詳細については、 [バイアスと公平性](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/bias-resources.html.md) のリソースページを参照してください。

## オートパイロット前の指標とバイアス軽減の設定

ターゲットを選択したら、 高度なオプションを表示 をクリックして バイアスと公平性 タブを選択します。 このタブから、 [公平性指標](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#set-fairness-metrics) と [バイアス軽減手法](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#set-mitigation-techniques) を設定できます。

### 公平性指標の設定

バイアスと公平性 を設定するには、ユースケースを定義する値を設定します。 詳細については、 [バイアスと公平性のリファレンス](https://docs.datarobot.com/ja/docs/reference/pred-ai-ref/bias-ref.html.md) で一般的な用語と指標の定義を参照してください。

1. データセット内で保護されている特徴量を最大10個まで指定します。 保護されている特徴量はカテゴリー型である必要があります。 モデルの公平性は、データセットから選択された保護特徴量に対して計算されます。
2. 好ましいターゲット結果（ターゲットと比較して保護クラスに有利と認識する結果）を定義します。 以下の例では、ターゲットは「給与」であるため、[好ましいターゲット結果]の下に年収が一覧表示され、5万を超える給与が好ましい結果となります。
3. 以下の5つのオプションから、ユースケースに最も適したプライマリー公平性指標を選択します。 選択の目安モデルに最適な指標がわからない場合は、選択の目安をクリックしてください。DataRobotは、各質問が前の質問への回答で決定されるアンケートを提示します。 完了すると、DataRobotは回答に基づいて指標を推奨します。バイアスと公平性は倫理的に複雑なので、DataRobotの質問では各ユースケースの詳細のすべてを把握できるわけではありません。 推奨の指標はガイドラインであり、ユースケースに適した正しい（または唯一の）指標であるとは限りません。 さまざまな指標を選択して、質問への回答が推奨にどのように影響するかを観察します。選択をクリックして、強調表示されたオプションをプライマリー公平性指標フィールドに追加します。 指標説明比例平等性各保護クラスで、モデルから好ましい予測を受け取る確率はどれぐらいでしょうか？  この指標（「統計的平等性」または「人口統計的平等性」とも呼ばれます）は、保護されたクラス間でモデルのターゲットを同等に表すことを前提としています。等価平等性各保護クラスで、モデルの予測が好ましいレコードの総数はどれぐらいでしょうか？  この指標は、保護されたクラス間でモデルのターゲットを同等に表すことを前提としています。予測バランス（好ましいクラスのバランスおよび好ましくないクラスのバランス）好ましい/好ましくない結果であったすべての実測値について、保護されている各クラスの平均予測確率はどれぐらいでしょうか？ この指標は、各保護クラスでモデルの元のスコアの平均を同等に表すことを前提としており、予測バランスという公平性指標セットの一部です。好ましいクラスの再現率の平等性と好ましくないクラスの再現率の平等性各保護クラスで、結果が好ましい/好ましくないすべての実測値に対して、好ましい/好ましくない結果をモデルが予測する確率はどれぐらいでしょうか？ この指標は、誤差の均一性に基づいています。好ましいクラスの適合率の平等性と好ましくないクラスの適合率の平等性モデルが正しい（実際の結果が好ましい/好ましくない）確率はどれぐらいでしょうか？  この指標（「陽性的中率の平等性」とも呼ばれます）は、誤差の均一性に基づいています。 公平性指標は、計算された公平性スコア（保護クラスに対するモデルの公平性の数値計算）の根拠の役割をします。
4. プロジェクトに公平性のしきい値を設定します。 しきい値は、モデルの公平性スコアのベンチマークとして機能します。 つまり、各保護クラスで、モデルが適切な公平性の範囲内で実行されるかどうかを測定します。 保護クラスの公平性スコアやパフォーマンスには影響しません。 （詳細については、リファレンスセクションを参照してください。）

### バイアス軽減手法の設定

DataRobotで自動的に適用されるバイアス軽減手法を選択します。 DataRobotは、選択した手法を使用して、（精度に基づいて）上位3つのフルオートパイロットリーダーボードモデルまたは包括的オートパイロットリーダーボードモデルに対してバイアス軽減を自動的に試行します。 オートパイロットの完了後に [手動で](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#retrain-with-mitigation) バイアス軽減を開始することもできます。 （たとえば、 [クイックオートパイロットモード](https://docs.datarobot.com/ja/docs/reference/pred-ai-ref/model-ref.html.md#quick-autopilot) を使用した場合、手動モードにより、選択したモデルに軽減策を適用できます）。 どちらの手法でも、適用すると、 [バイアスが軽減されたモデルと軽減されていないモデル](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#compare-models) を比較できます。

**バイアス軽減の仕組み**

具体的には、影響を受けるブループリントをコピーしてから、選択した バイアス軽減手法 に応じて、前処理タスクまたは後処理タスクのいずれかを追加します。

各フィールドの概要を次の表に示します。

| フィールド | 説明 |
| --- | --- |
| バイアス軽減特徴量 | 保護されている特徴量を一覧表示します。モデルのバイアスを減らすものを選択します。 |
| 予測特徴量として含める | モデルトレーニングへの入力としてバイアス軽減特徴量を含めるかどうかを設定します。 |
| バイアス軽減手法 | バイアス軽減手法と、モデル処理のどの段階で軽減策が適用されるかを設定します。 |

各フィールドの詳細を以下の手順で説明します。

1. バイアス軽減特徴量ドロップダウンから特徴量を選択します。ここでは、一般的なバイアスと公平性の設定において、保護されている特徴量フィールドで保護対象として設定した特徴量が一覧表示されます。 これは、モデルのバイアスを減らしたい特徴量です。
2. バイアス軽減特徴量が設定されると、DataRobotはその特徴量のデータ品質を計算します。 チェックが成功すると、保護されている特徴量を予測特徴量として含めるオプションが利用可能になります。 この特徴量を使用してバイアス軽減を試み、モデルトレーニングへの入力としてバイアス軽減特徴量を含めるには、チェックボックスをオンにします。 この特徴量をトレーニング入力としてではなく、バイアス軽減のみに使用する場合は、ボックスにチェックを入れないでください。 これは、機微データをモデルへの入力として含めることが法的に禁止されている場合や、含めたくない場合でも、そのデータに基づいてバイアスの軽減を試みる際に役立ちます。 データ品質チェックでは何が特定されますか？データ品質チェック中に、選択したバイアス軽減特徴量と選択したターゲットについて、3つの基本的な質問に回答します。バイアス軽減特徴量には、値が完全に欠損している行が多すぎますか？バイアス軽減特徴量の値には、確固たる結論を導き出すことができないほど稀なものがありますか？ たとえば、バイアス軽減特徴量がraceである10,000行のデータセットについて考えてみましょう。 値の1つであるInuitは7回しか出現しないため、サンプルが小さすぎ、代表値にはなりません。稀な、または存在しないクラスとターゲットの組み合わせはありますか？ たとえば、バイアス軽減特徴量genderについて考えてみましょう。MaleとFemaleのカテゴリーは両方とも多数ありますが、正のターゲットラベルがFemale行に出現することはありません。品質チェックに合格しなかった場合、注意が表示されます。 データセットの問題に対処してから、再アップロードし再試行してください。
3. バイアス軽減手法を次のいずれかに設定します。 各バイアス軽減手法ではどの公平性指標が使用されますか？バイアス軽減手法の名前である「pre」と「post」は、手法が適用されるワークフロー内のポイントを指します (ブループリントに示されています) 。 たとえば、再加重はモデルがトレーニングされる前に行われるため、「前処理」と呼ばれます。 却下オプションに基づく分類は、モデルがトレーニングされた後に行われるため、「後処理」と呼ばれます。 これらの手法では、次の指標を使用します。手法指標前処理の再加重主に割合の平等性（ただし、他の公平性指標を改善する可能性があります）。却下オプションに基づく分類による後処理割合の平等性、および好ましいクラスの再現率と好ましくないクラスの再現率の平等性
4. モデル構築プロセスを開始します。 DataRobotは、バイアス軽減特徴量に対して、オートパイロットで作成された上位3つの対象モデルに自動的に軽減を試みます。 バイアスが軽減されたモデルは、リーダーボードの「バイアス軽減」バッジで識別できます。 モデルを軽減の対象にする理由の説明と、対象外のモデルをリストしたテーブルを参照してください。
5. バイアスが軽減されたモデルと軽減されていないモデルのバイアスと精度を比較します。

## オートパイロット後の指標とバイアス軽減の設定

モデル構築前に バイアスと公平性 を設定しなくても、リーダーボードから [公平性テスト](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#retrain-with-fairness-tests) と [バイアス軽減手法](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#retrain-with-mitigation) を設定できます。

### 公平性テストを伴う再トレーニング

以下では、オートパイロットの完了後にモデルに公平性指標を適用する方法について説明します。

1. モデルを選択し、バイアスと公平性 > 設定をクリックします。
2. 高度なオプションでバイアスと公平性の設定に関する指示に従います。
3. 保存をクリックします。 DataRobotは、これらの設定に基づいて、プロジェクト内のすべてのモデルを対象とした公平性テストを設定します。

### バイアス軽減策を適用した再トレーニング

オートパイロットが終了したら、まだバイアスが軽減されていないモデルに軽減策を適用できます。 これを行うには、リーダーボードから [単一](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#single-model-retraining) または [複数](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#multiple-model-retraining) のモデルを選択し、バイアス軽減設定を適用してモデルを再トレーニングします。

> [!NOTE] 備考
> 別の保護特徴量であっても、すでにバイアスが軽減されたモデルを再トレーニングすることはできませんが、親に戻って、バイアス軽減用に別の特徴量や手法を選択することは可能です。

[親モデル](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#identify-mitigated-models) から、 バイアス軽減策を適用したモデル テーブルを表示できます。 このテーブルは、親モデルとバイアス軽減策を適用した子モデルの関係性を示しています。 親モデルにはバイアス軽減策が適用されて いない ことに注意してください（1）。 バイアスが軽減されたすべての子モデルは、軽減設定を含め、モデルID（2）別に一覧表示されます。

#### 単一モデルの再トレーニング

> [!NOTE] 備考
> モデル構築前に高度なオプションで[バイアスと公平性]の設定を完了していない場合は、まずこれらのフィールドを [バイアスと公平性 > 設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/fairness-metrics.html.md#set-fairness-metrics) タブで設定する必要があります。

オートパイロットの完了後に単一のリーダーボードモデルにバイアス軽減策を適用するには：

1. 対象のリーダーボードモデルを展開し、バイアスと公平性 > バイアス軽減策を開きます。
2. バイアス軽減策のためのフィールドを設定します。
3. 適用をクリックして、モデルの新しいバイアス軽減バージョンの構築を開始します。 トレーニングが完了すると、リーダーボードの「バイアス軽減」バッジでモデルを識別できます。
4. バイアスが軽減されたモデルと軽減されていないモデルのバイアスと精度を比較します。

#### 複数モデルの再トレーニング

オートパイロットの完了後に複数のリーダーボードモデルにバイアス軽減策を適用するには：

1. まだバイアスが軽減されていない対象モデルの左側にあるチェックボックスを使用します。
2. このメニューから、モデル処理 > 選択されたモデルにバイアス軽減策を適用を選択します。
3. 表示されたウィンドウで、バイアス軽減のためのフィールドを設定します。
4. 適用をクリックして、モデルの新しいバイアス軽減バージョンの構築を開始します。 トレーニングが完了すると、リーダーボードの「バイアス軽減」バッジでモデルを識別できます。
5. バイアスが軽減されたモデルと軽減されていないモデルのバイアスと精度を比較します。

### バイアスが軽減されたモデルを識別する

リーダーボードでは、バイアスが軽減されたモデルと親（バイアスが軽減されていないバージョン）モデルについて、いくつかの指標を提供しています。

- 「バイアス軽減」バッジ。 リーダーボード検索を使用すると、バイアスが軽減されたすべてのモデルを簡単に識別できます。
- モデルの名前はバイアス軽減設定（手法、保護されている特徴量、および予測変数のステータス）を反映しています。
- バイアス軽減策タブには、元のバイアス軽減されていない親モデルへのリンクが含まれています。

### モデルを比較

[バイアスと精度](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/other/bias-tab.html.md) タブを使用して、バイアスが軽減されたモデルと軽減されていないモデルのバイアスと精度を比較します。 チャートは、バイアス軽減されたモデルの公平性スコアは軽減されていないバージョンよりも高い（バイアスが少ない）が、精度は低いことを示していると考えられます。

モデル（バイアスが軽減されたモデル、または軽減されていないモデル）がチャートで使用可能になる前に、まずその公平性スコアを計算する必要があります。 バイアスが軽減されたものと軽減されていないものを比較するには：

1. 「バイアス軽減」バッジを表示しているモデルを開き、バイアスと公平性 > クラスごとのバイアスに移動します。 タブを開くと、公平性スコアが自動計算されます。
2. バイアスと公平性 > バイアス軽減策タブに移動し、親モデルへのリンクを取得します。 リンクをクリックして親モデルを開きます。
3. 親モデルから、バイアスと公平性 > クラスごとのバイアスタブにアクセスして、公平性スコアを自動計算します。
4. バイアスと精度タブを開いて、結果を比較します。 この例では、バイアスが軽減されたモデル（緑色で表示）の精度（Y軸）と公平性（X軸）のスコアが親（マゼンタで表示）よりも高いことがわかります。

## バイアス軽減策の対象となるモデル

DataRobotは、 バイアス軽減の対象 となる上位3つのモデルを選択します。その結果、「バイアス軽減」バッジの付いたモデルは、オートパイロット実行後のリーダーボードの上位3モデルにはならない場合があります。 リーダーボードでより上位に位置するモデルがあっても、対象外であるため、バイアス軽減策は適用されません。

バイアス軽減手法として 前処理再加重 を選択した場合、次のモデルは加重を使用しないため、再加重の対象外です。

- Nystroem Kernel SVM分類器
- Gaussian過程分類器
- k近傍法分類器
- 単純ベイズ分類器
- 部分最小二乗法分類器
- レガシーニューラルネットモデル：「バニラ」ニューラルネット分類器、ドロップアウト入力ニューラルネット分類器、「バニラ」2層ニューラルネット分類器、2つの隠れ層を持つドロップアウト整流線形ニューラルネット分類器（ただし、最新のKerasモデルはバイアスを軽減できます）
- 特定の基本的な線形モデル：ロジスティック回帰、正規化ロジスティック回帰（ただし、ElasticNetモデルはバイアスを軽減できます）
- EureqaおよびEureqa GAM分類器
- 2段階ロジスティック回帰
- SVM Classifier（任意のカーネルを使用）

いずれかのバイアス軽減手法を選択した場合、次のモデルやプロジェクトはバイアス軽減の対象外になります。

- バイアス軽減策がすでに適用されているモデル。
- マジョリティークラス分類器（定数値を予測）。
- 外部予測 モデル（トレーニングデータとともにアップロードされた特殊な列を使用し、新しい予測を行うことはできません）。
- アンサンブルモデル。
- スマートダウンサンプリング を使用するプロジェクト。
- カスタム加重を使用するプロジェクト。
- バイアス軽減特徴量 のデータの50%以上が欠損しているプロジェクト。
- 時系列またはOTVプロジェクト（つまり、時間ベースのパーティションを使用するプロジェクト）。
- SHAP 値をサポートして実行されるプロジェクト。
- 単一列のスタンドアロンテキストコンバーターモデル：Auto-Tuned Word N-Gram Text Modeler、Auto-Tuned Char N-Gram Modeler、およびAuto-Tuned Summarized Categorical Modeler。

## バイアス軽減策に関する注意事項

バイアス軽減を使用する場合は、次の点に注意してください。

- バイアス軽減策は、単一のカテゴリー保護特徴量に適用されます。
- バイアス軽減手法ROBCの場合、バイアス軽減特徴量には少なくとも2つのクラスがあり、各クラスのトレーニングデータには100行以上ある必要があります。前処理再加重手法では、明示的な最小行数はありませんが、行数が非常に少ないとバイアス軽減効果が予測できない場合があります。