モデルの評価指標とは？正解率・適合率・再現率を解説

「正解率が高ければ、いいモデルなの？」
「適合率と再現率って、何が違うの？」
「混同行列って言葉が、よく分からない…」

そんな疑問を持つ、AI を学び始めたあなたへ。

結論から言えば、
モデルの評価指標とは、AIの予測がどれくらい当たっているかを多面的に測るものさし
のことです。

この記事では、なぜ正解率だけでは足りないのか、混同行列・適合率・再現率・F値の意味と使い分けを、初心者向けにやさしく解説します。読み終えるころには、AIの「良し悪し」を語る言葉が、あなたの中で整理されているはずです。

1. なぜ正解率だけでは足りないのか

あなたが AI の性能を聞くとき、まず思い浮かぶのは「正解率（Accuracy）」ではないでしょうか。全体のうち、どれだけ正しく当てられたかの割合です。

ところが、正解率だけを見ると、判断を誤ることがあります。とくに、データの数がかたよっている「不均衡データ」のときに起こりやすい落とし穴です。

イメージしやすいように、たとえを1つ置きます。

このように、件数の少ない側を見逃しても正解率は高く出てしまいます。だからこそ、正解率以外のものさしも組み合わせて見ることが大切になります。

2. 混同行列で結果を整理する

評価指標を理解するうえで、最初の土台になるのが混同行列（こんどうぎょうれつ）です。あなたが各指標を計算するときの、共通の出発点になります。

混同行列は、AI の予測と実際の答えを、4つのマスに整理した表です。「陽性・陰性」を当てる問題（例: 迷惑メールか、そうでないか）で、結果は次の4種類に分かれます。

• TP（真陽性） — 陽性を、正しく陽性と当てた
• FP（偽陽性） — 陰性なのに、陽性と誤って判定した
• FN（偽陰性） — 陽性なのに、陰性と見逃した
• TN（真陰性） — 陰性を、正しく陰性と当てた

頭の「T／F」は予測が当たったか（True/False）、後ろの「P／N」は予測が陽性か陰性か（Positive/Negative）を表します。TP と TN が正解、FP と FN が間違い、と覚えると整理しやすくなります。

ちなみに正解率は、この4つを使うと（TP ＋ TN）÷ 全体、と書けます。つまり、当たった件数（TP と TN）を全件で割った割合です。同じ材料から、これから見る指標が次々と作られていきます。

3. 適合率・再現率・F値の意味

ここからが本題です。あなたが押さえておきたい、3つの代表的な指標を見ていきましょう。

3-1. 適合率（Precision）

適合率は、AI が「陽性」と判定したもののうち、本当に陽性だった割合です。予測の正確さ（早とちりの少なさ）を表します。

計算は TP ÷（TP ＋ FP）。陽性と言い切ったのに外していた（FP）が多いほど、適合率は下がります。たとえば「陽性」と判定した10件のうち、本当に陽性だったのが8件なら、適合率は8割です。

3-2. 再現率（Recall）

再現率は、本当に陽性だったもののうち、AI が正しく陽性と当てられた割合です。見逃しの少なさを表します。

計算は TP ÷（TP ＋ FN）。見逃し（FN）が多いほど、再現率は下がります。さきほどの「全員を健康と判定する」病気の検査では、陽性の人を1人も拾えていないので、この再現率がゼロになります。正解率が99%でも再現率が低い、という食い違いが、まさに不均衡データの落とし穴です。

3-3. F値（F1スコア）

F値は、適合率と再現率のバランスを1つの数字にまとめた指標です。両者の調和平均として計算され、どちらか一方だけが高くても値は伸びません。両方がそろって高いときに、はじめて大きな値になります。

適合率と再現率のどちらを優先すべきか決めづらいとき、全体のバランスを1つの数字で見たい場面で重宝します。不均衡データの評価でも、正解率より実態を映しやすい指標としてよく使われます。

4. 用途による使い分け

あなたが実際に困るのは、「どの指標を重視すればいいの？」という場面でしょう。ここで大事になるのが、適合率と再現率はトレードオフの関係にあるという点です。

陽性と判定する基準をゆるめれば、見逃しは減って再現率は上がりますが、早とちり（FP）が増えて適合率は下がります。逆に基準を厳しくすると、適合率は上がりますが見逃しが増えます。片方を立てると、もう片方が下がりやすいのです。

そこで、目的に合わせてどちらを優先するかを決めます。

• 見逃しを避けたいとき → 再現率を重視（病気の見落とし、不正検知 など）
• 誤検知を避けたいとき → 適合率を重視（迷惑メール判定で、大事なメールを誤って弾きたくない など）
• バランスを見たいとき → F値を重視

評価指標の考え方は統計の土台と深くつながっています。あわせて 統計の基礎とは を読むと、数値の見方がより立体的になります。

まとめ: 今日からできる、最初の一歩

最後に、この記事のポイントを3つだけ振り返ります。

1. 正解率だけでは、不均衡データで判断を誤ることがある
2. 混同行列（TP・FP・FN・TN）が、各指標の出発点
3. 適合率・再現率はトレードオフ。目的でどちらを重視するか決める

この概念は、G検定の「機械学習の概要」で出題される中核テーマでもあります。評価指標を押さえておくと、AI の性能を語るときの足場が固まります。

今日からできる、最初の一歩はとてもシンプルです。

たった10分で、あなたの評価指標への距離感が変わります。

完璧に計算できなくて大丈夫、まずは「正解率だけを信じない」と覚えておけば、最初は十分です。あなたのペースで、ゆっくり広げていきましょう。

次のステップ

• 学習の全体像: 機械学習とは
• つまずきの定番: 過学習とは
• 評価の土台: 統計の基礎とは
• 演習で確認: G検定 機械学習 練習問題