Data Driven Knowledgebase

機械学習モデルの性能評価で必ず登場するF1スコアなどの評価指標。「適合率と再現率の違いがいつも混乱する…」そんな悩みを解決します。

この記事では、二値分類を中心に精度評価の全体像を整理しつつ、特に「適合率（Precision）」と「再現率（Recall）」の違いを忘れない覚え方をマスターできます。

二値分類では、予測と実際の組み合わせを 混同行列（Confusion Matrix） に並べます。

• TP（True Positive）: 正しく陽性と当てた


• FP（False Positive）: 本当は陰性なのに陽性と誤判定（誤検出・誤報）


• FN（False Negative）: 本当は陽性なのに陰性と誤判定（見逃し）


• TN（True Negative）: 正しく陰性と当てた

これから紹介する評価指標は、すべて混同行列から導かれます！

正解率（Accuracy）

Accuracy = (TP + TN) / (TP + FP + FN + TN)

• 「全体のうち、正しく予測できた割合」


• シンプルですが、不均衡データ（陽性が希少など）では注意が必要
  
  
  
  
  • 例：100人中1人だけが病気の場合、全員を「健康」と予測しても正解率99%になってしまいます。しかし病気の人を一人も発見できていないため、実用上は価値がありません。これを”Accuracyパラドックス”（見せかけの高精度）と呼びます。
  
  
  
  

適合率（Precision）＝「陽性と言ったものの純度」

Precision = TP / (TP + FP)（分母：予測が陽性）

• 「モデルが陽性と予測したもののうち、実際に陽性だった割合」


• 適合率が高い = 予測の「的中率」が高い = 誤報が少ない


• 例：迷惑メール判定 → 迷惑扱いしたメールの外しが少ないか（誤爆したくない）

再現率（Recall ）＝「本当の陽性をどれだけ拾えたか」

Recall = TP / (TP + FN)（分母：実際が陽性）

• 「実際に陽性のもののうち、モデルが正しく見つけた割合」


• 再現率が高い = 「網羅率」が高い = 見逃しが少ない


• 例：疾病スクリーニング → 病気の人を取りこぼさないか（見逃したくない）

2つの指標は 混合行列のどこを分母にするか の違いです。

F1スコア

F1 = 2 × (Precision × Recall) / (Precision + Recall)

• 「適合率と再現率の調和平均」で、バランスを重視


• なぜ調和平均？
  
  
  
  • 単純平均では片方が極端に低くても高得点になってしまうから。
  
  
  • 例：Precision=100%、Recall=10% → 単純平均55%、F1スコア18%
  
  
  • 調和平均は極端に小さい値に引きずられる特徴があるため、両方が高くないと高得点にならない！
  
  
  
  

特異度

Specificity = TN / (TN + FP)

• 陰性を正しく陰性と判定できた割合（= 1 – 偽陽性率）


• 「陰性の再現率」とも言え、医療検査などで、再現率（感度）とペアで報告されることが多いです。

暗記フック

「PはPrediction、RはReality」

• Precision は Prediction（予測）の P → 分母は「予測陽性」


• Recall は Reality（現実）の R → 分母は「実際の陽性」

適合率と再現率の違い対比表

PrecisionとRecallのトレードオフ

適合率と再現率は一般にトレードオフの関係にあります。モデルの判定基準（しきい値）を調整することで、どちらを重視するかを変えられますが、一方を上げると他方が下がる傾向があります。

まとめ

✅ PはPrediction → Precisionは分母が予測陽性。純度。

✅ RはReality → Recallは分母が実際の陽性。取りこぼし。

✅ F1はPとRの調和平均：どちらかが低いと下がる。

✅ トレードオフを理解する：閾値調整で一方が上がると他方が下がる

その他にも、ROC-AUCやRMSE、寄与率などの評価指標については、また別のブログでご紹介します！