最終更新日：2026年8月26日
gk 機械学習 評価指標 頻出
G検定トップ
＞ 混同行列とは？TP・TN・FP・FNを見分ける【G検定】
まず結論
混同行列（Confusion Matrix）は、分類結果を「実際」と「予測」の組合せで4種類に分けて整理する表です。
G検定では、まず次の2つを即座に切れるようにします。
FP → 誤検知
FN → 見逃し
混同行列は、Accuracy・Precision・Recall・F1-scoreなど、多くの分類評価指標を理解する土台です。
直感的な説明
異常検知を例にして、
陽性 = 異常
陰性 = 正常
とします。
すると、分類結果は次の4通りです。
- 異常を異常と判定 → TP
- 正常を正常と判定 → TN
- 正常なのに異常と判定 → FP（誤検知）
- 異常なのに正常と判定 → FN（見逃し）
単に「当たった・外れた」ではなく、どの種類の間違いだったかを分けるのがポイントです。
定義・仕組み
代表的な表は次のとおりです。
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP（真陽性） | FN（偽陰性） |
| 実際：陰性 | FP（偽陽性） | TN（真陰性） |
各要素の意味は次のとおりです。
| 記号 | 意味 | 試験での言い換え |
|---|---|---|
| TP | 実際も陽性、予測も陽性 | 正しく陽性を検出 |
| TN | 実際も陰性、予測も陰性 | 正しく陰性を判定 |
| FP | 実際は陰性、予測は陽性 | 誤検知 |
| FN | 実際は陽性、予測は陰性 | 見逃し |
ここから、例えば次の指標を作れます。
Accuracy → 全体の正解割合
Precision → 予測陽性の中で正解した割合
Recall → 実際の陽性を拾えた割合
F1-score → Precision と Recall のバランス
ただし、すべての評価指標が1つの混同行列だけから求まるわけではありません。例えばROC-AUCは、しきい値を動かしたときの複数の結果を使って評価します。
いつ使う？（得意・不得意）
得意なこと
- 誤検知と見逃しを分けて評価する
- Accuracyだけでは見えない誤りの内訳を確認する
- PrecisionやRecallを計算するときの土台にする
注意点
表の行と列は、資料によって「実際」と「予測」の配置が逆になることがあります。
そのため、位置だけを暗記せず、必ずラベルを確認します。
True / False → 予測が正しかったか
Positive / Negative → 予測したクラス
という意味で読むと混乱しにくくなります。
G検定ひっかけポイント
FPとFNを逆にしない
FP
→ 陰性なのに陽性と予測
→ 誤検知
FN
→ 陽性なのに陰性と予測
→ 見逃し
Falseは「実際が陰性」という意味ではない
Falseは、予測が外れたことを表します。
- FP：陽性と予測したが外れた
- FN：陰性と予測したが外れた
混同行列だけでモデルの良し悪しを1つに決めない
どの誤りを重く見るかで、重視すべき指標は変わります。
まとめ（試験直前用）
- 混同行列：分類結果をTP・TN・FP・FNに分ける表
- FP＝誤検知
- FN＝見逃し
- 行・列の位置ではなく「実際／予測」のラベルを見る
- 多くの分類評価指標を理解する土台になる