最終更新日：2026年8月26日
gk 機械学習 評価指標 まとめ 頻出
G検定トップ
＞ 分類の評価指標まとめ｜Accuracy・Precision・Recall・F1・ROC・PR【G検定】
まず結論
分類指標は、何を失敗として重く見るかで選びます。
全体 → Accuracy
誤検知 → Precision
見逃し → Recall
PrecisionとRecallの両方 → F1
しきい値全体 → ROC / PR
直感的な説明
同じ分類モデルでも、目的によって良い指標は変わります。
- スパム判定で正常メールを誤って捨てたくない → Precisionを意識
- 病気の人を見逃したくない → Recallを意識
- 全体の正解数を見たい → Accuracy
つまり、指標名を暗記するより、FP（誤検知）とFN（見逃し）のどちらが困るかを先に考えると切りやすくなります。
定義・仕組み
混同行列
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP | FN |
| 実際：陰性 | FP | TN |
- FP：誤検知
- FN：見逃し
Accuracy・Precision・Recall・F1など、多くの分類指標はこの4要素をもとに整理できます。ただし、ROC-AUCのようにしきい値を変えたときの性能全体を見る指標は、単一の混同行列だけでは表せません。
| 指標 | 何を見る？ | 判断キーワード |
|---|---|---|
| Accuracy | 全体でどれだけ正しいか | 全体正解率 |
| Precision | 予測陽性のうち本当に陽性か | FP・誤検知 |
| Recall | 実際陽性をどれだけ拾えたか | FN・見逃し |
| F1 | PrecisionとRecallの調和平均 | 両方のバランス |
| ROC-AUC | FPRとTPRの関係をしきい値全体で見る | 識別・ランキング性能 |
| PR曲線 | PrecisionとRecallの関係を見る | 陽性が少ない・陽性重視 |
いつ使う？（得意・不得意）
- クラス比率が比較的素直で、全体の正解率を見たい → Accuracy
- 誤検知コストが高い → Precision
- 見逃しコストが高い → Recall
- PrecisionとRecallの両方を1値にまとめたい → F1
- しきい値全体でモデルの識別性能を比較したい → ROC-AUC
- 陽性が少なく、その陽性クラスを重視したい → PR曲線
「不均衡データなら必ずF1・PR」と機械的に決めるのではなく、何を評価したいかを見るのが大切です。
G検定ひっかけポイント
- ❌ すべての評価指標は単一の混同行列から計算できる → 誤り
- ❌ Precisionは見逃しを直接重視する → Recallと逆
- ❌ Recallの分母は予測陽性 → それはPrecision
- ❌ F1はPrecisionとRecallの算術平均 → 調和平均
- ❌ ROC-AUCが高ければ、特定のしきい値で必ず最適 → 誤り
迷ったら、分母と失敗の種類を確認します。
予測陽性が分母 → Precision
実際陽性が分母 → Recall
まとめ（試験直前用）
- Accuracy＝全体
- Precision＝誤検知FPを意識
- Recall＝見逃しFNを意識
- F1＝PrecisionとRecallの調和平均
- ROC / PR＝しきい値全体を見る
関連： 混同行列 / ROC-AUC / Precision-Recall曲線