最終更新日：2026年8月26日
gk 機械学習 評価指標 頻出
まず結論
F1-scoreは、Precision（適合率）とRecall（再現率）のバランスを、調和平均で1つの値にまとめた指標です。
Precision → 誤検知を気にする
Recall → 見逃しを気にする
F1-score → 両方をまとめて見る
どちらか一方だけが高くても、F1-scoreは高くなりにくいのが特徴です。
直感的な説明
異常検知を例にすると、
- Precision：異常だと言ったものは、本当に異常だった？
- Recall：本当に異常だったものを、ちゃんと拾えた？
という違いがあります。
F1-scoreは、この2つを同時に見たいときの指標です。
誤検知も多い → 困る
見逃しも多い → 困る
両方のバランスを見る
→ F1-score
定義・仕組み
F1-scoreは次の式で表します。
F1-score = 2 × (Precision × Recall) / (Precision + Recall)
これは単純平均ではなく、調和平均です。
例えば、Precisionが高くてもRecallが非常に低ければ、F1-scoreも高くなりません。
また、
- Precision = TP / (TP + FP)
- Recall = TP / (TP + FN)
なので、F1-scoreには主にTP・FP・FNが関係します。
TN（真陰性）は式に直接入りません。
いつ使う？（得意・不得意）
得意なこと
- 誤検知と見逃しの両方を気にしたい
- 陽性クラスの性能を中心に評価したい
- Accuracyだけでは実態を捉えにくい場面を補いたい
苦手・注意点
F1-scoreがクラス不均衡で有用なことは多いですが、不均衡なら常にF1-scoreが最適という意味ではありません。
例えば、
というように、評価目的によって使い分けます。
G検定ひっかけポイント
F1-scoreは単純平均ではない
誤りです。調和平均です。
TNを直接使う
誤りです。
F1-score
→ Precision と Recall から求める
→ TN は式に直接入らない
F1-scoreが高い＝全クラスで完璧
誤りです。F1-scoreは、PrecisionとRecallのバランスを見ています。
多クラス分類ではmacro平均やmicro平均など別の集約方法もあるため、「F1-scoreが高い」という一言だけでは、全クラスで均等に高性能とは限りません。
PrecisionとRecallは必ずトレードオフする
しきい値を動かすと一方が上がり他方が下がることは多いですが、必ずそうなると決めつける必要はありません。
試験では、F1-scoreが両者をまとめて評価する指標だと押さえれば十分です。
まとめ（試験直前用）
- F1-score：PrecisionとRecallの調和平均
- どちらか一方だけが高くてもF1は上がりにくい
- TNは式に直接入らない
- 誤検知と見逃しの両方を気にするときに使う
- クラス不均衡でも、目的に応じてPrecision・Recall・Accuracyと使い分ける