Accuracy・Precision・Recallの基礎

DS154：混同行列（正誤分布のクロス表）、Accuracy、Precision、Recall、F値、特異度を理解し、精度を評価できる

データ分析や機械学習モデルの評価指標について解説します。本記事では、混同行列をもとにAccuracy（精度）、Precision（適合率）、Recall（再現率）、F値（F-Score）、特異度（Specificity）を理解し、適切にモデルの性能を評価できるようになることを目的とします。

混同行列（Confusion Matrix）は、分類モデルの予測結果を整理するための表です。例えば、2クラス（ポジティブ・ネガティブ）の分類では、以下のように構成されます。

	実際にポジティブ	実際にネガティブ
予測ポジティブ	True Positive (TP)	False Positive (FP)
予測ネガティブ	False Negative (FN)	True Negative (TN)

これをもとに、各評価指標を計算します。

Accuracyはモデルの予測がどの程度正しかったかを示す指標です。

ただし、クラスの不均衡がある場合は、Accuracyが高くても適切な指標ではないことがあります。

Precisionは、ポジティブと予測されたサンプルのうち、実際にポジティブであった割合を示します。

これは、誤検知（False Positive）が多い場合に重要な指標となります。

Recallは、実際にポジティブであったサンプルのうち、ポジティブと予測された割合を示します。

これは、見逃し（False Negative）が多い場合に重要な指標となります。

F値（F1スコア）はPrecisionとRecallのバランスを考慮した指標です。

F1スコアは、PrecisionとRecallのバランスを取るために特に有効です。

特異度（Specificity）は、実際にネガティブであったサンプルのうち、ネガティブと正しく予測された割合を示します。

これは、誤検出（False Positive）を抑えたい場合に重要な指標です。

モデルの用途に応じて、適切な評価指標を選びましょう。