二値分類の評価指標徹底解説

二値分類の評価指標徹底解説

二値分類とは

– 二値分類を詳しく解説二値分類は、機械学習という技術の中で、特に「教師あり学習」と呼ばれる分野に属するものです。与えられたデータに対して、それが二つのグループのうちどちらに属するかを予測する手法を指します。この二つのグループは、例えば「はい」と「いいえ」のように単純なものから、「陽性」と「陰性」といったように専門的なものまで、様々なケースが考えられます。二値分類は、私たちの身の回りで幅広く活用されています。例えば、迷惑メールの自動判別機能は、受信したメールが「迷惑メール」か「通常のメール」かを自動的に判断するために二値分類を利用しています。また、医療の現場では、画像解析によって患部が「悪性」か「良性」かを判定する際にも、二値分類が役立っています。二値分類の精度は、様々な指標を用いて評価されます。正解率や適合率、再現率といった指標が代表的ですが、これらの指標は、状況に応じて使い分ける必要があります。例えば、迷惑メール検出の場合、通常のメールを誤って迷惑メールと判断してしまう（False Positive）よりも、迷惑メールを見逃してしまう（False Negative）方が問題になることが多いでしょう。このような場合は、再現率を重視してモデルを評価する必要があります。このように、二値分類は一見単純な仕組みでありながら、幅広い分野で応用され、私たちの生活に大きく貢献しています。そして、その精度を評価するための指標も、目的に合わせて適切に選択する必要があるのです。

正解率：モデルの全体的な正答率

– 正解率モデルの全体的な正答率

正解率とは、機械学習モデルがどれだけ正確に予測を行えるかを示す指標の一つです。具体的には、モデルが全体の中でどれだけの割合で正解を出せたかを表しています。

計算方法は非常にシンプルで、「正解数 ÷ 予測の総数」で求めることができます。例えば、100個のデータに対して予測を行い、そのうち90個の予測が当たっていた場合、正解率は(90 ÷ 100) × 100 = 90%となります。

一見すると、正解率が高ければ高いほど良いモデルのように思えます。しかし、注意しなければならない点があります。それはデータの偏りです。例えば、病気の診断を例に考えてみましょう。仮に、全体の患者数に対して、ある病気に罹患している患者が1%しかいないとします。この場合、常に「病気ではない」と予測するだけのモデルを作成したとしても、正解率は99%になってしまいます。しかし、実際に病気を見つけるという観点では、このモデルは全く役に立ちません。

このように、正解率はモデルの性能を評価する上で重要な指標の一つである一方で、常に万能な指標とは限らないことを理解しておく必要があります。特に、データの偏りがある場合には、他の指標も合わせて検討することが重要です。

適合率：正と予測したデータの正確さ

– 適合率正と予測したデータの正確さ適合率は、機械学習モデルの性能を評価する重要な指標の一つです。 具体的には、モデルが「正」と予測したデータのうち、実際に「正」であったデータの割合を表しています。 つまり、モデルが「正」と判断したものが、実際にどれくらい正確であるかを示す指標と言えるでしょう。計算式は、「正と予測して正解だった数」を「正と予測した数」で割ることで求められます。 例えば、100個のデータのうち、モデルが「正」と予測したデータが20個、そのうち実際に「正」であったデータが15個だったとします。この場合、適合率は15 ÷ 20 = 0.75となり、75%となります。適合率が高いほど、モデルは「正」という予測に対してより正確であると言えます。 これは、モデルが「正」と判断したデータの中に、誤って「正」と判断してしまったデータ（偽陽性）が少ないことを意味します。 例えば、病気の診断において、適合率が高いモデルは、実際に病気にかかっている人をより正確に診断できることを意味します。 一方、適合率が低いモデルは、実際には病気ではない人を誤って病気と診断してしまう可能性が高くなります。このように、適合率はモデルの信頼性を評価する上で重要な指標となります。 特に、偽陽性を抑えたい場合、適合率は重要な指標となるでしょう。

再現率：実際の正データを見つける力

– 再現率実際の正データを見つける力再現率は、機械学習モデルがどれだけ網羅的に「正」のデータを見つけられるかを測る指標です。病気の診断を例に考えてみましょう。ある病気の診断テストを開発したとします。このテストの目的は、実際に病気にかかっている人を正確に見つけることです。ここで、再現率という指標が重要になります。再現率は、「実際に病気にかかっている人」のうち、「テストで陽性（病気だと判定）とされた人」の割合で計算されます。計算式は「正と予測して正解だった数」÷「実際に正だった数」です。もし再現率が100%であれば、病気の人全員を漏れなく見つけることができます。しかし、現実的には100%の再現率を達成することは難しいです。再現率が高いほど、モデルは実際に「正」であるデータをより多く見つけ出すことができます。診断テストの例では、再現率が高いほど、病気にかかっている人をより多く見逃さないことを意味します。ただし、再現率だけに注目すれば良いわけではありません。例えば、健康な人を誤って病気と判定してしまう（偽陽性）可能性も考慮する必要があります。これは適合率という指標で評価されます。機械学習モデルを評価する際には、再現率と適合率のバランスを考慮することが重要です。目的に応じて、どちらの指標を重視するかを判断する必要があります。

F値：適合率と再現率のバランス

機械学習モデルの性能を測る指標として、「適合率」と「再現率」は欠かせません。適合率は、モデルが「正しい」と判断したデータのうち、実際に正解であった割合を示します。一方、再現率は、実際の正解データのうち、モデルが「正しい」と判断できた割合を表します。

しかし、適合率と再現率はしばしばトレードオフの関係にあります。つまり、適合率を高くしようとすると再現率が低くなり、逆に再現率を高くしようとすると適合率が低くなる傾向があるのです。そこで、適合率と再現率を総合的に評価するために用いられるのが「F値」です。

F値は、適合率と再現率の調和平均を計算することで求められます。調和平均とは、逆数の平均の逆数で表される値であり、極端な値の影響を受けにくいという特徴があります。そのため、F値を用いることで、適合率と再現率のどちらか一方に偏ることなく、バランスの取れた評価が可能になります。F値が高いほど、モデルは適合率と再現率の両方が高く、優れた性能を持っていると言えます。

指標の使い分け

– 指標の使い分け

機械学習モデルの性能を評価する指標は数多くありますが、どの指標を重視するかは、そのタスクや目的、そして状況によって大きく異なります。それぞれの指標が持つ意味合いを理解し、適切な指標を選択することが重要です。

例えば、迷惑メールの検出を例に考えてみましょう。このタスクでは、重要なメールを誤って迷惑メールと判断してしまうことは避けなければなりません。重要な顧客や取引先からのメールを見逃してしまうと、ビジネス上の損失につながる可能性もあるからです。このような場合、重視すべきは適合率です。適合率は、モデルが「迷惑メール」と判断したメールのうち、実際に迷惑メールであった割合を表します。適合率が高いほど、誤って重要なメールを迷惑メールと判断する可能性は低くなります。

一方、病気の診断のように、見逃しが重大な結果につながる可能性があるタスクでは、再現率を重視する必要があります。再現率は、実際に病気である人のうち、モデルが正しく「病気」と診断できた人の割合を表します。再現率が高いほど、病気を見逃す可能性は低くなります。

このように、指標の使い分けは、単にモデルの性能を評価するだけでなく、そのモデルが実用上どのような影響を与えるのかを考慮する必要があると言えるでしょう。