目次
- 評価指標がわかりにくい理由とこの記事で得られること
- 精度・再現率・F値をやさしく理解する
- 筆者の失敗談：精度だけを見て失敗した話
- まとめ：目的に応じて指標を使い分ける
1. 評価指標がわかりにくい理由とこの記事で得られること
「精度が高いってことは良いAIなのでは？」
「再現率やF値って何のためにあるの？」
AIを学び始めると、必ず出てくるのが「評価指標」です。
しかし、この部分でつまずく初心者はとても多いです。
理由はシンプルです：
- 用語が似ていて混乱しやすい
- 数式が出てきて難しく感じる
- 実際の使い分けがイメージしにくい
この記事では、2025年時点の一般的な考え方に基づいて、
- 精度（Accuracy）
- 再現率（Recall）
- F値（F1スコア）
をイメージ中心でわかりやすく解説します。
2. 精度・再現率・F値をやさしく理解する
まず前提として、AIの分類には「正解」と「予測」があります。
① 精度（Accuracy）とは？
精度は、
👉 全体の中でどれだけ正しく当てたか
を表します。
Accuracy=全体のデータ数正しく予測した数
✔ イメージ
100件中90件正解 → 精度90%
👉 一見わかりやすいですが、落とし穴があります。
② 再現率（Recall）とは？
再現率は、
👉 本当に見つけたいものをどれだけ見つけられたか
を表します。
Recall=実際の正例の数正しく検出した正例
✔ イメージ
病気の人10人中8人を見つけた → 再現率80%
👉 「見逃さない力」と覚えると分かりやすいです。
③ F値（F1スコア）とは？
F値は、
👉 精度と再現率のバランスを取った指標
です。
F1=Precision+Recall2×(Precision×Recall)
※Precision（適合率）は「予測した中でどれだけ正しいか」を表す指標です。
👉 F値は「総合力」と考えると理解しやすいです。
④ なぜ複数の指標が必要なのか？
ここが一番重要なポイントです。
例えば：
- ほとんどが「正常」のデータ
- AIが全部「正常」と予測
👉 精度は高くなる（でも意味がない）
このように、
👉 精度だけでは本当の性能は分からない
のです。
⑤ 初心者向けの使い分け
- 精度 → 全体のざっくり評価
- 再現率 → 見逃したくない場合
- F値 → バランス重視
👉 「何を重視するか」で使い分けます。
3. 筆者の失敗談：精度だけを見て失敗した話
私も最初は、「精度が高ければOK」と思っていました。
あるとき、
👉 精度95％のモデルを作成
「これはすごい！」と思っていたのですが…
実際に中身を見ると、
- 重要なデータを見逃している
- 偏った予測をしている
という問題がありました。
つまり、
👉 精度は高いが、実用的ではなかった
のです。
そこで再現率やF値を確認すると、
- 再現率が低い
- バランスが悪い
と気づきました。
この経験から学んだのは、
👉 評価指標は1つでは不十分
ということです。
4. まとめ：目的に応じて指標を使い分ける
最後に重要ポイントを整理します。
- 精度 → 全体の正しさ
- 再現率 → 見逃さない力
- F値 → バランス
そして一番大切なのは、
👉 「何を重視するか」を先に決めること
です。
コメント