【初心者向け】正解率とF1スコアって何？〜精度評価の指標をやさしく解説〜
山崎講師
こんにちは。ゆうせいです。
はじめに：モデルの「賢さ」って、どうやって測るの？
機械学習やAIの世界では、「このモデル、どれくらい正確なの？」という問いがとても大切です。
その答えを出すための代表的な指標が…
- 正解率（Accuracy）
- F1スコア（F1 Score）
今日はこの2つを、テストの採点やじゃんけんの勝率みたいな身近な例を交えて、分かりやすく解説します！
1. 正解率（Accuracy）とは？
🧠 定義
全体の中で「正しく当てたもの」の割合。
✏️ 数式
（日本語版：正解率 ＝ 正解した件数 ÷ 全体の件数）
- TP：正しいものを「正しい」と判断した数（True Positive）
- TN：間違いを「間違い」と判断した数（True Negative）
- FP：間違いを「正しい」と誤判断（False Positive）
- FN：正しいものを「間違い」と誤判断（False Negative）
🎓 例え話：○×クイズの得点率
10問中、7問正解したら「正解率70%」ですよね。これがAccuracyのイメージです。
✅ 長所・短所
| 項目 | 内容 |
|---|---|
| 長所 | 単純で分かりやすい |
| 短所 | クラスの偏りに弱い！（例：病気の人が100人中1人しかいない場合など） |
2. F1スコアとは？
🧠 定義
Precision（適合率）とRecall（再現率）*のバランスを取った指標。
✏️ 数式
（日本語版：F1スコア ＝ 適合率と再現率の調和平均）
こんにちは。ゆうせいです。
📏 調和平均とは？〜バランス重視の平均値〜
調和平均とは、「小さい値の影響を強く受ける平均」のことです。
特に割合や速度のような“逆数的な値”の平均を出すときに使われます。
たとえば、ある道を「時速30kmで行き、時速60kmで帰った」ときの平均速度は単純平均（45km/h）ではなく、調和平均（約40km/h）になります。
数式は以下の通りです：
F1スコアでは「Precision（適合率）」と「Recall（再現率）」という2つの重要な要素のバランスを見るために、この調和平均が使われます。
なぜかというと、一方が極端に低いとF1スコア全体も低くなり、どちらか一方だけに偏らないようにする働きがあるからです。
🔍 じゃあ「適合率」と「再現率」って？
「適合率（Precision）」と「再現率（Recall）」という2つの指標は、混同行列（Confusion Matrix）を使うと、とてもわかりやすく理解できます。
🔢 混同行列とは？
ある2クラス分類の予測結果を整理すると、以下のような表になります：
| 実際は Positive | 実際は Negative | |
|---|---|---|
| 予測：Positive | TP（真陽性） | FP（偽陽性） |
| 予測：Negative | FN（偽陰性） | TN（真陰性） |
ここで使われる4つの略語は：
- TP（True Positive）：正しく「陽性」と予測
- FP（False Positive）：誤って「陽性」と予測（＝偽アラート）
- FN（False Negative）：誤って「陰性」と予測（＝見逃し）
- TN（True Negative）：正しく「陰性」と予測
🎯 適合率（Precision）
「予測が陽性だと言った中で、本当に陽性だった割合」
数式で書くと：
つまり、モデルが「当たり！」と判断したものの信頼度を示します。
誤検出を減らしたいとき（例：スパムメール判定）に重要です。
🔍 再現率（Recall）
「実際に陽性だった中で、どれだけ正しく予測できたか」
数式はこちら：
これは、実際に陽性だった人をどれだけ見逃さずに見つけたかを示します。
見逃しが許されない場面（例：がん検診）で重要です。
もちろんです、ゆうせいです！
🎓「適合率」と「再現率」の覚え方：PとRに注目して記憶しよう！
🔤 まずは語の意味からおさらい
- Precision（適合率）：
「予測した Positive のうち、どれだけ本当に Positive だったか？」
→ “当たりの正確さ” - Recall（再現率）：
「実際の Positive を、どれだけ見つけられたか？」
→ “拾い上げ力”
🧠 Precision の覚え方（Pの法則）
✅ 3つの“P”に注目！
| 覚えるポイント | 単語 | 意味 |
|---|---|---|
| Precision | 評価指標の名前 | 「当てた中で本物だった割合」 |
| Predicted Positive | 予測した陽性（TP + FP） | モデルが「陽性」と言った全体 |
| True Positive | 実際に正解だった陽性 | 本当に正しかった部分だけカウント |
→ 「予測Positiveの中の真のPositive」＝正解率の“質”を測る！
🧠 Recall の覚え方（Rの法則）
✅ “R”は“Real（実際）”のR！
| 覚えるポイント | 単語 | 意味 |
|---|---|---|
| Recall | 評価指標の名前 | 「見逃していないか」を測る指標 |
| Real Positive | 実際の陽性（TP + FN） | 本当は陽性だったもの全体 |
| True Positive | 正しく当てられたもの | 成功した検出部分 |
→ 「本物（Real Positive）をどれだけ拾えたか」
💬 まとめのゴロ合わせ
- Precision（P）＝「Pが多すぎたら危険」
→ 「陽性だ！」と言い過ぎて外れ（FP）が多いと、Precisionは下がる。 - Recall（R）＝「RはReal（本物）を取りこぼすな」
→ 実際に陽性だった人をちゃんと見つけられないと、Recallは下がる。
🎯 一言で整理！
Precision = Positive に「当たり」がどれだけ含まれていたか
Recall = Real Positive をどれだけ取りこぼさなかったか
🎓 まとめ
- 適合率：予測の正しさ（当てた中でどれだけ当たりか）
- 再現率：見逃しの少なさ（本物をどれだけ拾えたか）
状況に応じてどちらを重視すべきかが変わるため、混同行列で全体像を確認しながら、PrecisionとRecallのバランスを見るのがプロフェッショナルな評価方法です。
✅ 長所・短所
| 項目 | 内容 |
|---|---|
| 長所 | 偏ったデータ（例：陽性が少ない医療データ）でも、バランスよく評価できる |
| 短所 | 正解率と比べて直感的にはわかりにくい |
まとめ：いつどっちを使うべき？
| 状況 | 向いている指標 |
|---|---|
| 全体の中でクラス（カテゴリ）の数がバランス良い | 正解率（Accuracy）で十分なことも |
| クラスの偏りが激しい（例：不良品1%、スパムメール3%など） | F1スコアがおすすめ |
| 「当てるだけでなく、見逃しや誤診も困る！」 | Precision/RecallやF1で評価すべき |
🌱 最後に：まずは混同行列を描こう！
「正解率もF1も分からない…」と思ったら、まず混同行列（confusion matrix）を描いてみましょう！
- どこで当ててるのか？
- どこで外してるのか？
- どれが間違いで、どれが惜しいのか？
それを見ながら、「今どの指標が重要なのか？」を考えるのが、プロの思考です！
生成AI研修のおすすめメニュー
投稿者プロフィール
- 代表取締役
-
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。
