機械学習の分類モデルを評価する際、「どれくらい正しく予測できているか」を正確に把握することが重要です。
そのための基本的な手法が「混同行列（Confusion Matrix）」です。
本記事では、混同行列の仕組みから、主要な評価指標（正解率・適合率・再現率）の意味と使い方までを、初心者にもわかりやすく解説します。
混同行列とは
混同行列とは、モデルの予測結果と実際の正解を表形式で整理したものです。
- 行：実際のクラス（正解）
- 列：モデルの予測結果
この表を見ることで、「どのように間違えているのか」まで詳しく分析できます。
2クラス分類における基本構造
最も基本的な例は、「ある対象が該当するか／しないか」を判断する2クラス分類です。
例えば「画像が猫かどうか」を判定する場合、混同行列は次の4つに分かれます。
| 予測：猫 | 予測：猫ではない | |
|---|---|---|
| 実際：猫 | 真陽性（TP） | 偽陰性（FN） |
| 実際：猫ではない | 偽陽性（FP） | 真陰性（TN） |
用語の意味をわかりやすく解説
混同行列に登場する4つの用語は、評価指標を理解するうえで重要です。
真陽性（TP：True Positive）
実際に「猫」であり、予測も「猫」と正しく判定したケース
真陰性（TN：True Negative）
実際に「猫ではない」ものを、「猫ではない」と正しく判定したケース
偽陽性（FP：False Positive）
本当は「猫ではない」のに、「猫」と誤って判定したケース（誤検知・誤警報）
偽陰性（FN：False Negative）
本当は「猫」なのに、「猫ではない」と見逃したケース（見逃し）
混同行列から計算できる主な評価指標
混同行列の数値を使うことで、さまざまな評価指標を算出できます。
正解率（Accuracy）
全体のうち、どれだけ正しく予測できたかを示す指標です。
計算方法：
- （真陽性 + 真陰性） ÷ 全データ数
特徴
- シンプルで直感的
- ただし、データの偏りに弱い
適合率（Precision）
**「陽性と予測した中で、どれだけ正しかったか」**を示します。
計算方法：
- 真陽性 ÷（真陽性 + 偽陽性）
活用例
- スパムメール検出
- 誤検知を減らしたい場合
再現率（Recall）
実際に陽性のものを、どれだけ見逃さず検出できたかを示します。
計算方法：
- 真陽性 ÷（真陽性 + 偽陰性）
活用例
- 医療診断（病気の見逃し防止）
- 不正検知
指標の使い分けが重要な理由
すべての指標を同時に最大化することは難しく、目的に応じた使い分けが必要です。
例：用途による優先指標
- 医療診断 → 再現率重視（見逃しを防ぐ）
- スパム判定 → 適合率重視（誤判定を減らす）
- 全体評価 → 正解率＋他指標の併用
実務での活用ポイント
混同行列は、単なる数値評価にとどまらず、モデル改善にも役立ちます。
改善のヒント
- 偽陽性が多い → 判定基準を厳しくする
- 偽陰性が多い → 感度を上げる
- 特定クラスで誤りが多い → データの見直し
また、不均衡データ（例：不正検知など）では、正解率だけで判断しないことが重要です。
まとめ
混同行列は、機械学習の分類モデル評価における基本ツールです。
- 予測と実際の結果を4つのパターンで整理
- 正解率・適合率・再現率などを算出可能
- モデルの弱点を可視化できる
重要なのは、単一の指標に頼るのではなく、複数の指標を組み合わせて総合的に判断することです。
混同行列を正しく理解し活用することで、より精度の高い、実務に強いAIモデルの構築が可能になります。
こちらもご覧ください：k分割交差検証（k-foldクロスバリデーション）とは？仕組み・メリット・使い方を徹底解説
