適合率と再現率の違い｜分母の違いと重視する場面｜G検定

結論

適合率は、陽性と予測したもののうち実際に陽性だった割合で、誤検知の少なさを表します。再現率は、実際に陽性のもののうち陽性と予測できた割合で、見逃しの少なさを表します。

比較表

適合率と再現率の違いの比較表
観点	適合率	再現率
英語	precision	recall
計算式	TP / (TP + FP)	TP / (TP + FN)
分母（どこから見るか）	陽性と予測したデータ	実際に陽性のデータ
減らしたい誤り	偽陽性（誤検知）	偽陰性（見逃し）
重視する場面の例	迷惑メールの判定（普通のメールを誤って隔離したくない）	病気の検査や不良品の検出（陽性を見逃したくない）
陽性と判定する閾値を上げると	上がりやすい	下がりやすい
別の呼び方	陽性予測値（PPV）	感度、真陽性率
シラバス項目	技術分野項目10 モデルの選択・評価	技術分野項目10 モデルの選択・評価

適合率と再現率は、どちらも混同行列の件数から計算する分類モデルの評価指標です。陽性は、見つけたいほうのクラスを指します。TPは真陽性、FPは偽陽性（誤検知）、FNは偽陰性（見逃し）の件数です。

適合率は、「陽性と言ったときに、どれだけ当たっていたか」を表します。迷惑メールの判定で、迷惑メールと判定した100通のうち90通が本当に迷惑メールなら、適合率は0.9です。普通のメールを迷惑メールに振り分けると、大事な連絡を見落とすおそれがあります。こうした誤検知の害が大きい場面で重視します。

再現率は、「本当の陽性を、どれだけ取りこぼさずに見つけたか」を表します。病気の検査で、実際の患者50人のうち45人を陽性と判定できたら、再現率は0.9です。見逃した5人は、治療を始めるのが遅れるおそれがあります。見逃しの害が大きい場面で重視します。

陽性と判定する基準（閾値）を厳しくすると、自信のあるものだけを陽性と判定するので、適合率は上がりやすくなります。その代わり、判定から漏れる陽性が増えて、再現率は下がりやすくなります。基準をゆるめると、逆の動きになります。

このトレードオフがあるため、片方だけでモデルを評価すると判断を誤ります。両方のバランスを1つの数値で見たいときは、2つの調和平均であるF値を使います。陰性も含めた全体の当たり具合を表す正解率は、陽性が少ない不均衡なデータでは高く出やすいので、適合率・再現率と合わせて読みます。