従来型ML・データ
評価指標（適合率・再現率・F1スコア）とは？意味・仕組みをわかりやすく解説
ひょうかしひょう / Precision, Recall, F1 ／ 最終更新日：2026年7月7日
30秒でわかる定義
評価指標とは、機械学習モデルの性能を測るためのものさしです。特に分類では、正解率（Accuracy）だけでなく、適合率（Precision）・再現率（Recall）・F1スコアを使い分けることで、偏ったデータでも実用的な性能を正しく評価できます。
仕組み・基本の流れ
- 1適合率（Precision）：陽性と予測したうち、実際に陽性だった割合（誤検知の少なさ）
- 2再現率（Recall）：実際の陽性のうち、正しく陽性と予測できた割合（見逃しの少なさ）
- 3F1スコア：適合率と再現率の調和平均（両者のバランス）
- 4混同行列（正解×予測の表）からこれらを算出する
実務でのポイント：病気の見逃しを避けたいなら再現率、誤検知のコストが高いなら適合率を重視するなど、目的で優先する指標が変わります。データが偏っている（陽性が極端に少ない等）場合、正解率だけでは実力を見誤るため、これらの指標が重要になります。回帰ではRMSE・MAE等を使います。
関連する用語
このスキルを活かせる職種と年収は？
適合率・再現率・F1・混同行列を目的に応じて使い分けられることは、モデルを実務投入するデータサイエンティスト・MLエンジニアの必須スキルです。指標選定の理由を説明できることが評価されます。
よくある質問
Q. 正解率（Accuracy）だけではダメなのですか？
A. データが偏っている場合、正解率は誤解を招きます。例えば陽性が1%しかないデータで『全部陰性』と予測しても正解率99%になりますが、陽性を全く検出できていません。適合率・再現率・F1で実用的な性能を評価する必要があります。
Q. 適合率と再現率はどちらを重視すべきですか？
A. 目的次第です。病気やスパムの『見逃し』を避けたいなら再現率、誤検知のコストが高いなら適合率を重視します。両方のバランスを見たいときはF1スコアを使います。