読み方 ： おもみづけ
重み付け【weighting】
概要
最も身近な例は「加重平均」である。通常の平均が全値を等しく扱うのに対し、加重平均では各値に「重み」（weight）を掛けて合計し、重みの総和で割る。例えば、成績評価で試験を60%、レポートを30%、出席を10%として算出する場合がこれにあたる。
IT分野では検索エンジンのランキングなどに見られる。検索語との関連性が高い文書ほど大きな重みが与えられ、順位が決まる。ページのタイトルに含まれるキーワードは、本文中のそれよりも重要な要素として扱われることが多い。ネットサービスのレコメンドシステムでも、利用履歴や評価などに異なる重みを設定し、利用者に適した候補を選び出している。
機械学習では重み付けが中核的な仕組みとして組み込まれている。ニューラルネットワークでは、入力された特徴量ごとに重みが設定され、その値が予測結果へ与える影響の大きさを表す。学習とは、予測誤差を小さくするようこの重みを繰り返し調整し、データに含まれる規則性を表現できるようにするプロセスである。データに偏りがある場合には、特定の種類のデータへ大きな重みを与えて不均衡の影響を抑える手法も用いられる。
重みの値は必ずしも整数とは限らず、小数や負の値が用いられる場合もある。重みを大きくすればその項目の影響力は増し、小さくすれば弱まる。ゼロであれば計算結果へ寄与しない。適切な重みは目的や対象によって異なり、経験則に基づいて設定される場合もあれば、統計解析や機械学習によって自動的に求められる場合もある。重み付けには「何を重視するか」という判断が伴い、分析や評価の透明性を保つ上で、どのような根拠で重みを定めたかを明示することが重要となる。
(2026.7.20更新)
共有ボタンをタップ