機械学習モデルの評価指標｜精度・適合率・再現率・F1スコア

機械学習モデルの評価指標｜精度・適合率・再現率・F1スコアの使い方

機械学習モデルの性能評価に使う指標（精度・適合率・再現率・F1スコア・AUC）を正確に理解することで、モデル選択と改善方針の意思決定が適切になります。

混同行列（Confusion Matrix）

二値分類の結果を4つに分類した表：TP（真陽性）・FP（偽陽性）・FN（偽陰性）・TN（真陰性）。

主要な評価指標

精度（Accuracy）＝（TP+TN）÷全サンプル。全体的な正解率。クラス不均衡時は誤解を招きやすい。適合率（Precision）＝TP÷（TP+FP）。「陽性と予測したもの中で実際に陽性の割合」。偽陽性コストが高い場合（スパムフィルター等）に重視。再現率（Recall/Sensitivity）＝TP÷（TP+FN）。「実際の陽性のうち正しく検出した割合」。偽陰性コストが高い場合（がん検診等）に重視。F1スコア＝2×（適合率×再現率）÷（適合率＋再現率）。適合率と再現率の調和平均。

AUC-ROC

異なる閾値でのTPRとFPRをプロットした曲線（ROC曲線）の面積。1に近いほど良い。クラス不均衡データの評価に有効。

まとめ

評価指標の選択は「どんなエラーが許容できないか」によって決まります。医療診断では再現率（見逃しを減らす）、メール分類では適合率（誤検出を減らす）を優先するというビジネス文脈の理解が最重要です。