最終更新日：2026年8月26日
gk machine_learning metrics frequent
G検定トップ
＞ Accuracy（正解率）とは？クラス不均衡の注意点【G検定対策】
まず結論
Accuracy（正解率）は、全データのうち、正しく分類できた割合です。
Accuracy = (TP + TN) / (TP + TN + FP + FN)
G検定では、次の判断が重要です。
全体の正解率 → Accuracy
クラスが大きく偏る → Accuracyだけで判断しない
直感的な説明
100問中90問正解なら、Accuracyは90%です。
分類でも同じで、陽性・陰性を問わず、全体で何件正しく分類できたかを見ます。
ただし、例えば正常99件・異常1件のデータで、全部を「正常」と予測してもAccuracyは99%になります。
Accuracyは高い
でも異常は1件も拾えていない
このように、Accuracyは分かりやすい一方で、クラス不均衡では弱点があります。
定義・仕組み
混同行列では、正解した TPとTN を分子に使います。
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP | FN |
| 実際：陰性 | FP | TN |
- TP：陽性を陽性と予測
- TN：陰性を陰性と予測
- FP：陰性を陽性と誤予測
- FN：陽性を陰性と誤予測
Accuracyは二値分類だけでなく、多クラス分類でも 正解数 ÷ 全件数 という考え方で使えます。
いつ使う？（得意・不得意）
得意なこと
- クラスの偏りが小さい
- 各クラスの誤りを同程度に扱いたい
- 全体性能をシンプルに比較したい
苦手・注意点
- クラスが大きく偏っている
- 少数派クラスの見逃しが重大
- FPとFNのコストが大きく違う
このような場合は、Precision、Recall、F1-scoreなども確認します。
G検定ひっかけポイント
| 指標 | 判断ワード |
|---|---|
| Accuracy | 全体の正解率 |
| Precision | 誤検知を減らす・陽性予測の信頼性 |
| Recall | 見逃しを減らす・実際陽性を拾う |
| F1-score | PrecisionとRecallのバランス |
特に注意するのは次です。
- Accuracyが高くても、少数派クラスを全く検出できないことがある
- Accuracyは「陽性だけの正解率」ではない
- クラス不均衡では、多数派だけを予測する単純なベースラインと比較する
- 「Accuracyが高い＝良いモデル」と無条件に判断しない
まとめ（試験直前用）
- Accuracy = 全体の正解数 ÷ 全件数
- 二値分類では
(TP + TN) / 全件数 - クラス不均衡では高く見えることがある
- 見逃し重視ならRecall、誤検知重視ならPrecision
- 高いAccuracyだけでモデル性能を断定しない