【Cook’s Distance】とは？AI・データ分析における意味や使い方を分かりやすく解説

データ分析やAIモデルの構築をしていると、一部の「異常なデータ」が予測結果を大きく狂わせてしまう経験はないでしょうか。そんな時、統計学の世界で頼りになるのが「Cook’s Distance（クックの距離）」という指標です。

一言でいえば、Cook’s Distanceとは「ある特定のデータが、モデル全体の結果にどれほど悪影響を及ぼしているか」を数値化したものです。この指標を使うことで、学習データの中から影響力が強すぎる外れ値を特定し、より精度の高いモデルを構築するための判断材料にできます。

「Cook’s Distance」の意味・定義とは？

Cook’s Distanceは、回帰分析において「特定のデータポイントを削除した場合、モデルの予測結果がどの程度変化するか」を測定する指標です。値が大きいほど、そのデータはモデルの構築に対して非常に大きな影響力（＝高いレバレッジ）を持っていることを意味します。

名前の由来は、統計学者のデニス・クック氏です。彼は、データセット内の1つの点を取り除いたときに、他のすべての予測値がどれくらい動くかを計算する方法を考案しました。専門的なコードやドキュメントではそのまま「Cook’s D」と略されることも多く、Pythonのライブラリ（statsmodelsなど）でも手軽に算出可能です。

AI・データサイエンス現場での実際の使われ方・例文

実際のビジネス現場では、モデルの精度が上がらない原因を突き止めるためにこの指標が使われます。特に、金融の不正検知や製造現場の異常検知など、データの正確性が重視されるプロジェクトで頻繁に登場します。

• データサイエンティスト：このデータセット、一部のレコードにCook’s Distanceが極端に高いものがありますね。モデルが特定の外れ値に引きずられている可能性があるので、一度精査しましょう。
• PM（プロダクトマネージャー）：なぜこの顧客データだけ予測が外れるのですか？と現場から質問がありました。Cook’s Distanceで影響度の高いデータを特定し、それらが正しいデータなのか異常値なのかを一緒に確認できますか？
• 新人エンジニア：モデルの回帰診断をする際、Cook’s Distanceのしきい値はいくつに設定すべきでしょうか？一般的に4/nという目安があるようですが、今回は外れ値が多いので少し厳しめに見るのが良さそうですね。

「Cook’s Distance」の関連用語・現場での注意点

Cook’s Distanceと一緒に覚えておきたいのが「レバレッジ（Leverage）」と「残差（Residuals）」です。レバレッジはデータが独立変数（説明変数）の空間でどれだけ端に位置しているかを示し、残差は予測と実際の値のズレを指します。Cook’s Distanceは、これら両方の側面を考慮して影響力を評価しています。

注意点として、Cook’s Distanceが大きいからといって、すぐにそのデータを削除して良いわけではありません。ビジネスの現場では、その外れ値が「システムのバグによる誤入力」なのか、それとも「市場の急変など、極めて重要な意味を持つ異常事態」なのかを判断する必要があります。安易に削除すると、AIが本来学習すべき重要なパターンを見落とすリスクがあるため注意が必要です。

「Cook’s Distance」に関するよくある質問（FAQ）

Q. Cook’s Distanceが大きければ、そのデータは必ず削除すべきですか？

A. いいえ、必ずしも削除する必要はありません。そのデータが測定ミスなどのノイズであれば削除すべきですが、もし重要な情報を保持する「本物の外れ値」であれば、そのデータを適切に扱うための手法（ロバスト回帰など）を検討する方が、モデルの汎用性が高まることが多いです。

Q. 2026年現在の最新AIやLLM開発でも使えますか？

A. 基本的には古典的な統計手法ですが、最新のAI開発においても、学習データの品質管理（データクレンジング）の工程で非常に役立ちます。特に、テーブルデータを用いた予測モデルを構築する際には、今でも信頼性の高い診断ツールとして現役で使われています。

Q. Cook’s Distanceの値を自分で計算するのは大変ですか？

A. 全く大変ではありません。PythonのstatsmodelsやR言語などの主要な統計ライブラリを使えば、数行のコードで簡単に計算できます。手計算をする必要はなく、ライブラリが出力する可視化グラフを確認するだけで直感的に理解できるようになっています。

まとめ：現場で役立つ「Cook’s Distance」の知識

• Cook’s Distanceは、データがモデルに与える「影響力」を測る指標である。
• 値が大きいデータは、モデルの予測結果を大きく左右する可能性がある。
• 機械学習の学習データ品質管理（データバリデーション）において極めて有用。
• 指標の高さだけで判断せず、そのデータが持つ意味をドメイン知識で読み解くことが重要。

データ分析は魔法ではありません。一つひとつのデータの意味を理解し、Cook’s Distanceのような便利なツールを活用することで、より正確で信頼できるAIを育てていきましょう。あなたのエンジニアリングライフを応援しています！