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
＞ Precision–Recall曲線とは？ROC曲線との違い【G検定対策】
まず結論
Precision–Recall（PR）曲線は、しきい値を変化させたときのPrecisionとRecallの関係を見るグラフです。
G検定では、まず次で切ります。
陽性が少ない不均衡データで、陽性クラスの性能を重視 → PR曲線
直感的な説明
しきい値を緩くすると、多くを陽性として拾うためRecallは上がりやすくなりますが、誤検知も増えてPrecisionは下がりやすくなります。
逆に、しきい値を厳しくするとPrecisionは上がりやすい一方、見逃しが増えてRecallは下がりやすくなります。
積極的に陽性判定
→ Recall ↑ / Precision ↓
慎重に陽性判定
→ Recall ↓ / Precision ↑
PR曲線は、このトレードオフをしきい値全体で確認します。
定義・仕組み
PR曲線の軸は次のとおりです。
- 横軸：Recall
- 縦軸：Precision
ROC曲線との違いはここが最重要です。
| 観点 | ROC曲線 | PR曲線 |
|---|---|---|
| 横軸 | FPR | Recall |
| 縦軸 | TPR（Recall） | Precision |
| 主な着目 | 陽性・陰性を含む識別性能 | 陽性クラスの検出と誤検知 |
| 不均衡データ | 高く見えることがある | 陽性が少ないとき有用になりやすい |
ROC曲線についてはROC曲線・AUCも確認してください。
AP（Average Precision）
APは、PR曲線上のPrecisionをRecallの変化に応じて要約する代表的な指標です。
実装や定義によって計算方法の細部は異なりますが、G検定では PR性能を1つの値に要約する指標 と押さえれば十分です。
いつ使う？（得意・不得意）
得意なこと
- 異常検知
- 不正検知
- 医療診断
- 検索や情報抽出など、陽性が少ない問題
苦手・注意点
- クラスがほぼ均等ならROC曲線でも十分比較しやすいことがある
- PR曲線だけでは特定しきい値での業務コストまでは決まらない
- PrecisionとRecallのどちらを重視するかは用途次第
G検定ひっかけポイント
- PR曲線の横軸はRecall
- PR曲線の縦軸はPrecision
- ROC曲線の横軸はFPR
- 「クラス不均衡なら必ずPRだけを見る」とは限らない
- 特に 陽性が少なく、陽性クラスの性能を重視したいとき PR曲線が有用
- APはPR性能を要約する代表的指標
まとめ（試験直前用）
- PR曲線 = PrecisionとRecallの関係
- 横軸Recall、縦軸Precision
- 陽性が少ない不均衡データで有用になりやすい
- ROCはTPRとFPR、PRはPrecisionとRecall
- APはPR性能を1つの値に要約する指標