Skip to the content.

最終更新日:2026年11月2日

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。

計算結果の4つの指標を先に知っておこう

混同行列の数値を使うと、何を正しく判定できたかを異なる角度から確認できます。

指標 何を表す? この表での計算
Accuracy(正解率) 全体のうち正しく判定した割合 (TP + TN) ÷ 全件数
Precision(適合率) 陽性と予測した中で、本当に陽性だった割合 TP ÷ (TP + FP)
Recall(再現率) 実際に陽性の中で、見逃さず検出した割合 TP ÷ (TP + FN)
F1-score PrecisionとRecallをまとめた値(調和平均) 2TP ÷ (2TP + FP + FN)

見るポイント: FP(誤検知)を増やすとPrecisionはどう変わるでしょうか。FN(見逃し)を増やすとRecallはどう変わるでしょうか。

※以下の操作では、ほかの数値を固定して1つの値を変えます。これは指標の計算の仕組みを理解するための実験であり、同じデータに対して分類モデルの予測だけを変えた比較ではありません。

操作して確認:誤検知と見逃しで指標はどう変わる?

数値を変えて、FP(誤検知)とFN(見逃し)がどの評価指標に影響するか確認しましょう。陽性は「異常」、陰性は「正常」の例です。

操作例:右上の「FN 見逃し」を2から12に変えてみましょう。 TP=8・FP=2・TN=88はそのままにすると、Recallは80.0%から40.0%になります。

実際と予測の組合せ
実際\予測陽性陰性
陽性
陰性

Precision 80.0% / Recall 80.0% / Accuracy 96.0% / F1 80.0%

TP・FN・FP・TNには0〜999の整数を入力します。空欄や範囲外の値では計算しません。

Precision = TP/(TP+FP)、Recall = TP/(TP+FN)。分母が0の場合は「—」と表示します。

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

© 2024-2026 stemtazoo. All rights reserved.