gk 機械学習 評価指標 頻出
G検定トップ
＞ Precision–Recall曲線
まず結論
Precision–Recall（PR）曲線は、しきい値を変化させたときの Precision（適合率）と Recall（再現率）の関係を表すグラフです。
👉 クラス不均衡データでは、ROC曲線より重要になることが多い 指標です。
直感的な説明
- Precision：当たったと言ったものは、本当に当たっている？
- Recall：本物をどれだけ拾えている？
しきい値を変えると、
- 積極的に拾う → Recall↑ / Precision↓
- 慎重に拾う → Recall↓ / Precision↑
👉 このトレードオフを1枚で見るのが PR曲線です。
PR曲線の軸
- 横軸：Recall（再現率）
- 縦軸：Precision（適合率）
縦軸：Precision
↑
|●
| ●
| ●
| ●
+----------------→ 横軸：Recall
ROC曲線との違い（重要）
| 観点 | ROC曲線 | PR曲線 |
|---|---|---|
| 縦軸 | TPR（Recall） | Precision |
| 横軸 | FPR | Recall |
| 強い場面 | 全体性能 | クラス不均衡 |
👉 陽性が少ない問題では、PR曲線の方が実態を反映しやすい。
いつ使う？（得意・不得意）
得意
- 異常検知（異常が少ない）
- 医療診断（病気が少ない）
- 不正検知
苦手
- クラスがほぼ均等な場合（ROCでも十分）
Average Precision（AP）について
PR曲線では、Average Precision（AP） という指標がよく使われます。
- PR曲線下の面積を表す指標
- ROCのAUCに相当
👉 APが大きいほど、PrecisionとRecallのバランスが良い。
G検定ひっかけポイント
- PR曲線は Precision × Recall の関係を見る
- クラス不均衡では ROCよりPR
- APは PR曲線の面積
よくある勘違い
- ❌ ROCがあればPRはいらない → ⭕ 不均衡データではPRが重要
- ❌ PR曲線はAccuracyを見る → ⭕ PrecisionとRecallを見る
まとめ（試験直前用）
- PR曲線：PrecisionとRecallの関係
- クラス不均衡データで強い
- APはPR曲線の面積
- ROC/AUCと使い分ける
🔗 関連記事
🏠 G検トップに戻る