ハイパーパラメータとは。需要予測の精度を左右する設定

需要予測・AI公開 2026年11月8日9分で読めます

ハイパーパラメータは、予測のモデルに過去の実績を学ばせる前に、人があらかじめ決めておく設定の値のことです。何日分で平均をとるか、決定木を何本つくるか、1回の学習でどれだけ大きく式を直すか、といった値がこれに当たります。学習の中で自動に決まる係数とは別のもので、同じ出荷実績を使っても、この設定しだいで翌日の読みのずれは大きくも小さくもなります。

ただ、設定をいじる前に決めておくべきなのは、どの日で答え合わせをするかのほうです。過去と未来を混ぜて答え合わせをすると、どの設定もよく当たるように見えてしまい、本番の予測で初めて外れに気づきます。この記事では、手法ごとにどんな設定があるのか、設定を外すと予測がどう崩れるのか、過去から未来の順で確かめる選び方と、よい設定を探す3つの方法を、出荷物量の予測に当てはめて説明します。

ハイパーパラメータは、学習の前に人が決めておく設定の値です

予測のモデルの中には、データから自動で決まる「パラメータ」と、その学び方を人が先に指定する「ハイパーパラメータ」の2種類の数字があります。たとえば前日の受注件数から翌日の出荷ケース数を読む式なら、受注1件あたり何ケース増えるかという係数は、過去の実績から計算で決まります。一方で、式に手がかりを何列まで入れてよいか、外れた日をどれだけ重く扱うかは、学習を始める前に誰かが決めておかなければなりません。表1に、2つの数字の違いを、出荷の予測の例と一緒に並べました。

表1　パラメータとハイパーパラメータの違い

項目	パラメータ	ハイパーパラメータ
決まり方	過去の実績を学ばせると自動で決まる	学習の前に、人か調整用の道具が決める
決まる時期	学習の最中	学習を始める前
出荷の予測での例	受注1件あたりの出荷ケース数、祝日の日に減るケース数	平均をとる日数、決定木の本数と深さ、1回で式を直す幅
変えたときに起きること	データが変われば、学び直すたびに値も変わる	同じデータでも、できあがる予測の当たり方が変わる

Excelの近似曲線で何次式を選ぶかも、ハイパーパラメータの1つです

散布図に近似曲線を引くとき、直線にするか2次や3次の多項式にするかを選ぶ画面があります。ここで選ぶ「何次式か」がハイパーパラメータで、選んだあとにExcelが計算して出す式の係数がパラメータです。次数を上げるほど曲線は点に沿って曲がり、過去の点にはよく合いますが、グラフの右端の先では大きく跳ね上がったり落ち込んだりします。Excelで日々の数字を扱っているセンター長なら、この「合わせすぎると先が読めなくなる」感覚をすでに知っているはずで、ハイパーパラメータの調整はその選び方を数字で決める作業だと考えると近いと思います。

決める設定の中身は、需要予測の手法ごとに違います

移動平均なら平均する日数、ARIMAなら過去の何日分を見るかの3つの次数、勾配ブースティングなら学習率と木の数というように、手法ごとに決める設定は変わります。手法そのものの選び方は需要予測の7つの手法を並べた記事で書いたので、ここでは手法を選んだあとに何を決めることになるかを見ていきます。設定の数は手法が複雑になるほど増え、移動平均では1つで済むものが、機械学習の手法では10を超えることも珍しくありません。表2は、出荷物量の予測でよく使う手法と、その主な設定です。

表2　需要予測の手法ごとの主なハイパーパラメータ

手法	主なハイパーパラメータ	出荷の予測で決めていること
移動平均	平均する日数	直近7日でならすか、28日でならすか
指数平滑法	平滑化の係数（0〜1）	昨日の実績と、それより前の実績をどの割合で混ぜるか
ARIMA	3つの次数（p・d・q）	過去の何日分の出荷と外れを使い、何回差をとって傾きを消すか
正則化つきの重回帰	罰の強さ	効き目の小さい手がかりの係数を、どこまで0に近づけるか
ランダムフォレスト	木の本数、木の深さ	祝日明けや月末の組み合わせを、どこまで細かく分けて覚えるか
勾配ブースティング（LightGBMなど）	学習率、葉の数、繰り返しの回数	外れた日を1回ごとにどれだけ直し、何回直し続けるか

表2の下の2つは、何も指定しなくても初期の値で動きます。LightGBMは何も決めなければ、学習率0.1、葉の数31、繰り返し100回で学び、scikit-learnのランダムフォレストは木を100本つくって深さに上限を付けません。初期の値は多くのデータでそこそこ動くように選ばれた出発点で、自社の出荷にとっての最適な値ではありません。回帰の式の作り方そのものは回帰モデルの考え方を書いた記事にあるので、正則化つきの重回帰がふつうの重回帰に何を足したものかは、そちらと並べて読むと分かりやすくなります。

設定を外すと、予測は学びすぎか学び足りないかに崩れます

ハイパーパラメータの外し方は2通りしかなく、過去の偶然まで覚え込む「学びすぎ」と、曜日の山すら拾えない「学び足りない」のどちらかになります。学びすぎの側では、木を深くしすぎたり繰り返しを多くしすぎたりして、たまたま雨だった月曜の多さまで式が覚えます。学習に使った期間ではほとんど外れないのに、来週の予測では大きく外れるのが特徴です。学び足りない側では、平均する日数が長すぎたり罰が強すぎたりして、月曜と土曜の差まで平らにならしてしまいます。表3に、それぞれの崩れ方のときに出荷の現場で見える症状をまとめました。

表3　設定を外したときに現場で見える症状

崩れ方	起きやすい設定	現場で見える症状
学びすぎ（過学習）	木が深すぎる、繰り返しが多すぎる、手がかりの列が多すぎる	過去の答え合わせでは当たるのに、翌週からの予測が日によって大きく振れる
学び足りない	平均する日数が長すぎる、罰が強すぎる、木が浅すぎる	どの曜日もほぼ同じ数字が出て、月曜の山と土曜の谷が消える
ちょうどよい	答え合わせ用の期間でずれが最も小さかった設定	曜日と祝日明けの山を拾い、翌週の外れも過去の答え合わせと同じくらいに収まる

学びすぎは、学習に使った期間の数字だけを見ていると気づけません。式は学んだ日によく合うように作られるので、同じ日で当たり具合を測ると、どの設定も実力より良く見えます。設定を比べるときは、必ず学習に使っていない期間のずれで比べます。

よい設定かどうかは、過去から未来の順で答え合わせして決めます

出荷物量の予測で設定を比べるときは、古い期間で学ばせて、そのすぐ後ろの期間で当たり具合を測る形を、時期をずらしながら数回くり返します。機械学習の教科書でよく出てくる交差検証は、データをばらばらに混ぜてから学習用と答え合わせ用に分けます。ところが出荷の記録でこれをやると、10月の実績を学んだ式で9月を当てるような答え合わせが混ざり、未来を知っている状態で過去を当てることになります。scikit-learnには、学習用の期間が少しずつ伸び、答え合わせ用の期間がいつもその後ろに来る分け方が「TimeSeriesSplit」として用意されています。図1は、その分け方を2年分の日別の出荷記録に当てはめた例です。

図1　過去から未来の順で答え合わせする分け方（2年分の日別実績の例）

1回目最初の12か月で学び、続く2か月で答え合わせずれを1日あたりのケース数で記録する

2回目最初の14か月で学び、続く2か月で答え合わせ学ぶ期間を2か月伸ばし、答え合わせの期間を後ろへずらす

3回目最初の16か月で学び、続く2か月で答え合わせ年末や決算期の山が、どこかの回の答え合わせに入るようにする

比べる3回のずれの平均がいちばん小さい設定を選ぶ最後の数か月は調整に使わず、選んだ設定の最終確認に残す

図1で答え合わせの期間を何回かに分けるのは、1つの期間だけで選ぶと、その2か月にたまたま合った設定を選んでしまうからです。たとえば答え合わせが夏の閑散期だけだと、平均する日数を長くとる設定が有利に見えますが、年末の繁忙期にはその設定が山を拾えません。ずれの測り方は、割合より1日あたり何ケースずれたかで見るほうが、人数の話に直しやすくなります。外れをどの指標で測るかは需要予測の精度を書いた記事で詳しく扱っているので、設定を比べる物差しはそこで決めたものをそのまま使えます。

よい設定の探し方は、グリッド・ランダム・ベイズ最適化の3つが基本です

設定の候補を総当たりで試すグリッドサーチ、くじ引きのように抜き出して試すランダムサーチ、前の結果から次に試す値を選ぶベイズ最適化の3つが、よい設定を探すときの基本の方法です。グリッドサーチは、木の深さを3・5・7、学習率を0.05・0.1・0.2のように候補を並べ、その組み合わせを全部試します。設定が2つなら9通りで済みますが、5つの設定に3つずつ候補を置くと243通りになり、図1の答え合わせを3回ずつ回すと700回を超える学習が必要になります。表4に、3つの方法の試し方と向いている場面の違いを並べました。

表4　ハイパーパラメータの探し方の比較

方法	試し方	向いている場面	気をつけること
グリッドサーチ	候補の組み合わせを全部試す	設定が1〜2個で、候補が少ないとき	設定が増えると試す回数が掛け算で増える
ランダムサーチ	決めた範囲から値を無作為に抜いて、決めた回数だけ試す	設定が多く、どれが効くか分からないとき	回数が少ないと、よい値の近くを通らないことがある
ベイズ最適化	それまでの結果から、よさそうな値を選んで次を試す	1回の学習に時間がかかり、回数を抑えたいとき	仕組みが見えにくく、道具に任せる部分が増える

2012年にBergstraとBengioが発表した研究では、同じ計算の量で比べると、ランダムサーチのほうがグリッドサーチより良い設定を見つけやすいと示されました。理由は、たくさんある設定のうち、実際に当たり具合を大きく動かすのは一部だけで、グリッドではその効く設定を同じ値で何度も試してしまうからです。ベイズ最適化の道具としては、Preferred Networksが開発し2019年に論文を発表したOptunaがよく使われていて、見込みの薄い試行を途中で打ち切る仕組みも持っています。現場で一から書くなら、まずランダムサーチで30回ほど試して、効いている設定の見当をつけるところから入ると、計算の待ち時間と手間の釣り合いがとりやすくなります。

調整の順番は、手がかりの列と物差しを固めてから設定に進みます

予測のずれを減らす効き目は、たいてい手がかりの列を足すことのほうが、ハイパーパラメータを詰めることより大きく出ます。祝日明けの印や荷主の販促の予定が入っていない式は、どれだけ設定を詰めても、その日の山を知る手段がありません。設定の調整は、手がかりの列と答え合わせの物差しが固まったあとに、残ったずれを少し削る仕上げの作業と考えるのが現実的です。図2は、ずれを減らす作業を手をつける順に並べたものです。

図2　予測のずれを減らす作業の順番

日別の出荷実績を、同じ単位でそろえて1年分以上並べる

▼

祝日・月末・販促・休業日の印を、過去の分まで列にする

▼

答え合わせの分け方と、1日あたりのずれのケース数という物差しを決める

▼

手法を2〜3個、初期の設定のまま比べる

いちばん単純な前週同曜日の読みと比べる

▼

残った手法だけ、ハイパーパラメータを探して仕上げる

設定を詰めて縮んだずれは、人数に直すと大きさが実感できます。説明のための数字ですが、1日4,000ケースを出すセンターで、調整前のずれが平均320ケース、調整後に290ケースになったとすると、縮んだのは30ケースです。1人が1時間に120ケースを処理する現場なら、0.25人時ぶんの差になります。これを小さいと見るか、毎日続く差として大きいと見るかで、調整に使う時間の上限が決まります。予測から持ち場ごとの人数まで落とす流れは、出荷物量から必要な人員を決めるページで紹介しています。

ハイパーパラメータを調整する前にそろえておくこと

答え合わせ用の期間が、学習用の期間より後ろの日付になっている
答え合わせの期間に、繁忙期と閑散期の両方が入っている
設定を比べる物差しを、1日あたりのずれのケース数か、選んだ1つの指標に決めた
前週同曜日のような単純な読みのずれを、比べる基準として出してある
選んだ設定の最終確認に使う、調整に触れていない直近の期間を残してある
試した設定と、そのときのずれを表にして残している

よくある質問

ハイパーパラメータは一度決めたら変えなくてよいですか

荷主の追加や拠点の統合で出荷の動き方が変わったときは、設定を探し直します。動き方が同じでも、半年に1回ほど、直近の期間で答え合わせをし直して、ずれが調整したときより広がっていないかを見ておくと安心です。

AIの予測ツールを使えば、ハイパーパラメータを自分で決めなくてよいのですか

多くのツールは、手法の選択と設定の探索を自動で行います。ただし、どの期間で答え合わせをするか、どの物差しで比べるかを決めるのは使う側で、ここを間違えると自動で選ばれた設定も本番で外れます。

ハイパーパラメータとパラメータは、どちらが精度に効きますか

パラメータはデータから自動で決まるので、人が手を入れる場所はハイパーパラメータのほうです。ただ精度への効き目でいえば、その前にある手がかりの列とデータの整え方のほうが大きく出ることが多くあります。

執筆

株式会社MatrixFlow需要予測AI「MatrixFlow」の開発元。内閣府SIP 国家実証プロジェクトに参画し、物流センターの出荷物量予測と人員・配車計画の支援を行っています。記事の内容は公開時点の情報です。