---
title: "分類モデルの評価指標の比較とは？【DS検定リテラシー】"
description: "分類モデルの評価指標の比較とは、「何を減らしたいのか」という目的に応じて Accuracy・Precision・Recall・F1・ROC・PR を使い分けることです。DS検定で問われる定義、具体例、似た概念との違い、選択肢の見分け方を整理します。"
canonical_url: "https://stemtazoo.github.io/ds/evaluation-metrics-comparison/"
section: "ds"
---
DS検定トップ
＞ 分類モデルの評価指標の比較とは？【DS検定リテラシー】
## まず結論
分類モデルの評価指標の比較とは、「何を減らしたいのか」という目的に応じて Accuracy・Precision・Recall・F1・ROC・PR を使い分けることです。
DS検定では「どの指標を選ぶべきか」を判断させる問題が多く出題されます。
## 直感的な説明
モデル評価は「テストの点数」ではありません。
- 病気の見逃しを防ぎたい
- 不良品を確実に検出したい
- 無駄な精密検査を減らしたい
目的によって「良いモデル」の定義は変わります。
だからこそ、
> 正解率が高い＝良いモデル
とは限りません。
評価指標は
**何を優先するかを数値で表したもの**です。
## 定義・仕組み
まず前提となるのが **混同行列（Confusion Matrix）** です。
| | 実際：陽性 | 実際：陰性 |
|---|---|---|
| 予測：陽性 | TP（真陽性） | FP（偽陽性） |
| 予測：陰性 | FN（偽陰性） | TN（真陰性） |
- TP：正しく陽性と予測
- FP：本当は陰性なのに陽性と予測
- FN：本当は陽性なのに陰性と予測
- TN：正しく陰性と予測
### Accuracy（正解率）
$$
Accuracy = \frac{TP + TN}{全体}
$$
全体のうちどれだけ正解したか。
※ 不均衡データでは注意。
### Precision（適合率）
$$
Precision = \frac{TP}{TP + FP}
$$
陽性と予測した人のうち、本当に陽性だった割合。
→ 偽陽性を減らしたいとき。
### Recall（再現率・感度・TPR）
$$
Recall = \frac{TP}{TP + FN}
$$
実際に陽性の人をどれだけ拾えたか。
→ 偽陰性を減らしたいとき。
※ TPR（True Positive Rate）と同じ。
### Specificity（特異度）
$$
Specificity = \frac{TN}{TN + FP}
$$
実際に陰性をどれだけ正しく除外できたか。
### FPR（偽陽性率）
$$
FPR = \frac{FP}{FP + TN}
$$
実際に陰性なのに陽性と誤判定した割合。
※ FPR = 1 − Specificity
### F1スコア
$$
F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}
$$
PrecisionとRecallのバランスを見る指標。
### ROC曲線
- 縦軸：TPR（Recall）
- 横軸：FPR
モデルの**全体的な識別能力**を見る。
### PR曲線
- 縦軸：Precision
- 横軸：Recall
陽性クラスの性能を見る。
不均衡データで有効。
## どんな場面で使う？
### 見逃しを防ぎたい
→ Recall
### 無駄な陽性を減らしたい
→ Precision
### 両方重要
→ F1
### クラス均衡
→ ROC-AUC
### 不均衡データ（陽性が少ない）
→ PR曲線
DS検定では
「発生率2％」「陽性が非常に少ない」と書かれていたら
PR曲線を疑います。
## よくある誤解・混同
### 医療＝必ずRecall？
目的次第です。
- 見逃し防止 → Recall
- 誤検知削減 → Precision
### Accuracyが高い＝良い？
陽性1％の場合、
全員を陰性と予測してもAccuracy99％。
選択肢では
「正解率が最も重要」と書かれていたら注意。
### ROCとPRの違いが曖昧
- ROC → 全体性能
- PR → 不均衡データに強い
DS検定ではこの切り分けを問われます。
## まとめ（試験直前用）
- 減らしたい誤りで決める
- 偽陰性を減らす → Recall
- 偽陽性を減らす → Precision
- 不均衡データ → PR曲線
- Accuracyは万能ではない
「何を守りたいのか？」を読む。
## 対応スキル項目（データサイエンス力シート）
- 数理・統計基礎力
- 統計的推論
- ★ データの特性に応じて適切な評価指標を選択できる