CLAUDE LABEN
SANDBOX — Claude Codeにsandbox.credentials設定が加わり、サンドボックス実行のコマンドが認証情報ファイルや秘密の環境変数を読めなくなりますMODEL — 組織が設定したモデル制限がmodel picker・--model・/model・ANTHROPIC_MODELのすべてに反映されるようになりましたAGENTS — PRを編集・マージ・コメント・pushしたセッションが、claude agentsのビュー上で該当のPRにリンクされますFIX — --json-schemaが無効なスキーマのとき無言で非構造化出力を返す不具合と、--max-turns到達時のメッセージ消失が修正されましたRECAP — Claudeに月次リキャップとフォーカス設定がbetaで追加され、休憩リマインダーやクワイエットアワーを設定できますOPUS — Claude Opus 4.7が一般提供となり、長時間のコーディングタスクと高解像度のvisionが改善されていますSANDBOX — Claude Codeにsandbox.credentials設定が加わり、サンドボックス実行のコマンドが認証情報ファイルや秘密の環境変数を読めなくなりますMODEL — 組織が設定したモデル制限がmodel picker・--model・/model・ANTHROPIC_MODELのすべてに反映されるようになりましたAGENTS — PRを編集・マージ・コメント・pushしたセッションが、claude agentsのビュー上で該当のPRにリンクされますFIX — --json-schemaが無効なスキーマのとき無言で非構造化出力を返す不具合と、--max-turns到達時のメッセージ消失が修正されましたRECAP — Claudeに月次リキャップとフォーカス設定がbetaで追加され、休憩リマインダーやクワイエットアワーを設定できますOPUS — Claude Opus 4.7が一般提供となり、長時間のコーディングタスクと高解像度のvisionが改善されています
記事一覧/API & SDK
API & SDK/2026-07-10上級

画像分類の信頼度を鵜呑みにしない — クラス別しきい値の較正と棄却ルーティング

全体精度は高いのにカテゴリごとに崩れる。Claude Vision の自己申告 confidence をクラス別に較正し、棄却を人手キューへ回す設計と実測を記録します。

Claude API110Vision2分類評価2個人開発102

プレミアム記事

分類結果のスプレッドシートを眺めていて、手が止まった瞬間がありました。全体の一致率は 92.3% と出ているのに、「動物」カテゴリだけを抜き出すと 71% しかない。しかもモデルは、その誤った 29% にも 0.9 前後の confidence を返していました。

自信たっぷりに間違えている。これがいちばん厄介な壊れ方でした。本番運用で最初に踏んだ落とし穴が、まさにここです。

個人開発で運用している壁紙アプリでは、新規追加ぶんの画像を Claude Vision で 30 カテゴリに自動分類しています。基礎的な組み立てについては壁紙アプリの一括カテゴリ分類を Claude Vision API で自動化した話に書きましたが、そこから運用を続けるうちに見えてきたのが、この「全体は良いのに一部が崩れる」現象でした。

本稿は、その後始末の記録です。confidence をクラスごとに較正し、閾値に届かない画像を棄却して人手キューへ回すまでを扱います。

「信頼度 0.9」は確率ではない

まず前提を揃えておきます。構造化出力で confidence: 0.92 のような数値を返させたとき、それは確率ではありません。モデルが「それらしい数値」を生成しているだけです。

呼び方実体確率として使えるか
自己申告 confidenceモデルが文字列として生成した数値そのままでは不可
logprobs 由来の確率トークン生成確率較正すれば近似可能
較正済みスコア検証セットで実測した経験的精度に対応づけた値

使えないという意味ではありません。自己申告 confidence は順序としては有意味であることが多いのです。0.95 の予測は 0.65 の予測より当たりやすい。ただし「0.9 なら 90% 正しい」という読み方が成り立たないだけです。

ならば、順序性だけを信じて、「どこで線を引けば目標 precision に届くか」を検証セットから実測すればよい。それが較正の実務です。

検証セットは 400 枚で足りるのか

私が用意したのは、手元でラベルを付け直した 412 枚です。30 カテゴリのうち、出現頻度の高い上位 8 カテゴリで 5 割強を占め、末端の「レトロ」「ミニマル」などは 5〜9 枚しかありません。

ここで一度、素朴な疑問にぶつかりました。1 クラス 6 枚でしきい値を決めて意味があるのか、と。

結論としては、意味はあるが、決め方を変える必要があるというのが私の理解です。枚数が少ないクラスでは、しきい値を細かく最適化すると検証セットに過適合します。そこで私は、クラスを枚数で二層に分けました。

検証枚数しきい値の決め方該当カテゴリ数
厚いクラス20 枚以上個別に探索11
薄いクラス20 枚未満全体の保守側しきい値を共有(0.93)19

薄いクラスは、そもそも自動採用に向いていません。保守的な線を共有し、落ちたものは人手に回す。それだけで十分です。

ここまでお読みいただきありがとうございます。

この記事の続きを読む

この先には、実装コードやベンチマーク結果など、実務でお役に立てる内容をご用意しています。このサイトは広告を掲載しておらず、サーバーや開発にかかる費用はメンバーの皆様のご支援で成り立っています。もしお役に立てていましたら、ご支援いただけますと大変ありがたいです。

この記事で得られること
Claude Vision の自己申告 confidence を一律 0.80 で切ると、30 カテゴリのうち少数クラスだけが静かに壊れる
目標 precision 0.95 を満たす最小しきい値をクラス別に探索する Python コード(412 枚の検証セットで実測)
棄却(abstain)を優先度つき人手キューへ流す設計と、週次の drift 検知でしきい値の陳腐化を捉える方法
Stripe による安全な決済 · いつでもキャンセル可能

この記事を購入する

この先の内容をすべてお読みいただけます。一度のご購入で、いつでも何度でもアクセスできます。このサイトは広告を掲載しておらず、皆さまのご支援がサーバー費用などの運営を支えています。

または
メンバーシップなら全記事が読み放題 →
シェア

お読みいただきありがとうございます

Claude Lab は広告なしで運営しており、サーバー費用などの運営コストはメンバーシップのご支援で賄っています。実装コード・ベンチマーク・本番設計パターンなど、実務でお役立ていただける記事を毎日更新しています。もし読んでよかったと感じていただけましたら、ぜひご覧ください。

  • コピー&ペーストで使える実装コード付き
  • 毎日新しい上級ガイドを追加
  • ¥580/月 または ¥1,480 の永久アクセス
メンバーシップを見る →

関連記事

API & SDK2026-05-15
壁紙アプリの一括カテゴリ分類を Claude Vision API で自動化した話 — 実運用で見えた精度と限界
累計5,000万DLを超える壁紙アプリの画像カテゴリ分類を Claude Vision API で自動化した実体験。精度・コスト・落とし穴を正直に記録します。
API & SDK2026-07-09
RAG が自信たっぷりに間違え始めたとき — 検索の取りこぼしを接地率で計測する運用メモ
Claude API の RAG で、回答は流暢なのに事実がずれ始める。多くの場合、原因は検索側で答えを含む文書を取りこぼすサイレントなリコール低下です。接地率と検索ヒット率を計測し、段階的に立て直した運用メモを、動くコードと実数値付きで残します。
API & SDK2026-07-07
4サイト分のClaude費用が一つの請求に混ざる — ワークスペース単位で支出を割り当て、絞るパイプラインを見極める
複数プロジェクトのClaude API費用が一つの組織請求に合算されて判断を誤る問題を、Cost Report / Usage Report の group_by でワークスペース別に割り当てて解く実装メモです。防御的パース・showback表・費用対効果での選別まで扱います。
📚RECOMMENDED BOOKS
大規模言語モデル入門
山田育矢
LLM開発
生成AIプロンプトエンジニアリング入門
我妻幸長
プロンプト
Claude CodeによるAI駆動開発入門
平川知秀
AI駆動開発
※ アフィリエイトリンクを含みます
もっと見る →