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（適合率）とは？FPとの関係で覚える【G検定】
まず結論
Precision（適合率）は、陽性と予測したものの中で、実際に陽性だった割合です。
式は次のとおりです。
Precision = TP / (TP + FP)
G検定では、まず
分母は「予測で陽性にしたもの」
と覚えると、Recallとの混同を防ぎやすくなります。
直感的な説明
異常検知で「異常です」とアラートを出したとします。
Precisionが見ているのは、
そのアラート、本当に異常だった割合はどれくらい？
ということです。
本当に異常 → TP
正常なのに異常と警告 → FP
FPが増えるほど、無駄なアラートが増えるのでPrecisionは下がります。
定義・仕組み
混同行列との関係は次のとおりです。
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP | FN |
| 実際：陰性 | FP | TN |
Precisionでは、予測陽性の列だけを見ます。
予測陽性
= TP + FP
そのうち正解
= TP
したがって、
Precision = TP / (TP + FP)
です。
この「どこを分母にするか」が、評価指標を切り分ける重要ポイントです。
いつ使う？（得意・不得意）
得意なこと
- 誤検知（FP）を減らしたい
- アラートや通知の信頼性を重視したい
- 陽性と判定した結果の確からしさを見たい
例：
- スパム判定
- 不正検知
- 異常検知のアラート
苦手・注意点
Precisionが高くても、見逃し（FN）が多い可能性があります。
そのため、
- Precision：予測陽性の信頼性
- Recall：実際の陽性をどれだけ拾えたか
を使い分けます。
両方のバランスを見たい場合は、F1-scoreを使います。
G検定ひっかけポイント
Precisionは「実際の陽性」を分母にする
誤りです。それはRecallの考え方です。
Precision
→ TP / (TP + FP)
→ 予測陽性が分母
Recall
→ TP / (TP + FN)
→ 実際の陽性が分母
Precisionが高い＝見逃しが少ない
誤りです。
見逃しに直接関係するのはFNで、Recallが重視する誤りです。
PrecisionはAccuracyと同じ
違います。
- Accuracy：全体のうち正しく予測できた割合
- Precision：陽性と予測したものの中で正しかった割合
「Precisionが高い＝モデル全体が良い」と決めない
評価したい目的によって、Recall、F1-score、ROC-AUCなど他の指標も確認します。
まとめ（試験直前用）
- Precision = TP / (TP + FP)
- 分母は予測陽性
- FP（誤検知）が増えるとPrecisionは下がる
- Recallは実際の陽性を分母にする
- 「誤検知を抑えたい」ならPrecisionを疑う