--- title: "マクロ平均・マイクロ平均・重み付き平均の違いとは？【DS検定】" description: "マクロ平均は各クラスを平等に、マイクロ平均は全予測をまとめて、重み付き平均はクラス件数を反映して評価します。不均衡データで少数クラスの失敗が隠れる理由と、単一ラベル分類の再現率で各平均と正解率が一致する条件を整理します。" last_modified_at: "2026-06-28" canonical_url: "https://stemtazoo.github.io/ds/average-methods-comparison/" section: "ds" ---
DS検定トップ ＞ マクロ平均・マイクロ平均・重み付き平均の違いとは？【DS検定】
## まず結論 マクロ平均・マイクロ平均・重み付き平均とは、**分類モデルの評価指標をどのように平均するかの違い**です。 DS検定では「不均衡データのとき、どの平均を使うと何が見えるか」を判断させる問題が出ます。 ## 直感的な説明 クラスAが100件、クラスBが10件あるとします。 モデルがAばかり当てて、Bをほとんど当てられなかった場合、 - 全体では「よく当たっている」ように見える - でもBだけ見ると「ほぼ失敗している」 このズレをどう扱うかが、平均手法の違いです。 ## 定義・仕組み 分類では、クラスごとに再現率などを計算できます。 その「クラスごとの値」をどうまとめるかがポイントです。 ### マクロ平均 - 各クラスで指標を計算 - 単純に平均する - クラス数で割るだけ 👉 データ数の多さは考慮しない ### マイクロ平均 - 全体をまとめて集計 - 正解数や誤分類数を合算してから計算 👉 件数の多いクラスの影響が大きい ### 重み付き平均 - 各クラスの指標に - そのクラスのデータ数を掛けて平均 👉 クラス割合を反映する ## 実際の計算例（再現率で比較） 次のような2クラス分類を考えます。 | | 予測A | 予測B | |--------------|--------|--------| | 実際A（100件） | 90 | 10 | | 実際B（10件） | 8 | 2 | ### ① 各クラスの再現率 - Aの再現率：90 / 100 = 0.9 - Bの再現率：2 / 10 = 0.2 👉 少数派Bはほとんど当てられていない ### ② マクロ平均 (0.9 + 0.2) ÷ 2 = 0.55 👉 少数派Bの低さがしっかり反映される ### ③ マイクロ平均 全体の正解数は 90 + 2 = 92 全体のデータ数は 110 92 ÷ 110 ≒ 0.836 👉 Aが多いため、高く見える ### ④ 重み付き平均 (0.9 × 100 + 0.2 × 10) ÷ 110 = (90 + 2) ÷ 110 = 0.836 👉 この例のような**単一ラベル分類の再現率**では、重み付き平均はマイクロ平均（および正解率）と一致します。 ※ 適合率やF1スコア、複数ラベル分類では、重み付き平均とマイクロ平均が一致するとは限りません。比較するときは、平均方法だけでなく**どの評価指標を平均しているか**も確認します。 ## どんな場面で使う？ ### マクロ平均 - 不均衡データ - 少数クラスも重要な場合 - 医療・不正検知など ### マイクロ平均 - 全体性能を見たい場合 - データ量が多く、全体精度が重要な場合 ### 重み付き平均 - 実際のクラス割合を反映した評価をしたい場合 - ビジネス上の出現頻度が重要な場合 ## よくある誤解・混同 ### ① 「精度が高い＝良いモデル」 不均衡データでは誤り。 DS検定では 「精度が高いからバランスが良い」と書かれていたら注意。 ### ② マクロ平均＝全体平均 違います。 選択肢で 「全データをまとめて平均」とあれば、それはマイクロ平均。 ### ③ 重み付き平均とマイクロ平均は常に同じ？ 評価指標と分類方法によって変わります。 - 単一ラベル分類の再現率：重み付き平均、マイクロ平均、正解率が一致する - 適合率やF1スコア：一般には一致しない - 複数ラベル分類：単一ラベル分類と同じ関係になるとは限らない 「今回たまたま一致した」とだけ覚えるのではなく、**再現率の分母である各クラスの実件数を重みに使うため一致する**と理解するのがポイントです。 ## まとめ（試験直前用） - マクロ平均：各クラスを平等に扱う - マイクロ平均：全体をまとめて評価 - 重み付き平均：件数で調整 - 単一ラベル分類の再現率では、重み付き平均・マイクロ平均・正解率が一致 - 適合率やF1スコアでは一致するとは限らない 不均衡データでは 「どの平均か？」を必ず確認する。 DS検定では 評価方法の選び方が問われる。 ## 対応スキル項目（データサイエンス力シート） - データ理解 - モデル評価 - ★ モデルの評価指標を理解し、適切に解釈できる