機械学習の適合率について

2025年11月8日

適合率とは何か

「適合率（Precision）」とは、モデルが「正」と予測したもののうち、実際に正しかった割合のことです。

つまり、AIや機械学習モデルが「これはポジティブ（陽性）だ」と判断したケースの中で、どれだけ正解していたかを表す指標です。

たとえばスパムメール判定モデルの場合、「スパム」と予測したメールのうち、どの程度が本当にスパムだったのかを示します。

誤って通常のメールをスパム扱いしてしまうと（これを「偽陽性」と呼びます）、ユーザー体験を損なうため、適合率が高いほど信頼できるモデルといえます。

適合率とよくセットで使われるのが「再現率（Recall）」です。

この二つは似ていますが、焦点が異なります。

たとえば、スパム検知で言えば

どちらを重視するかは、タスクの性質やリスクの大きさによって変わります。

1000通のメールのうち、100通が本当のスパムメールだとします。

モデルが「スパム」と予測したメールが100通あり、そのうち90通は実際にスパム、10通は通常メールだったとしましょう。

この場合、モデルが「スパム」と予測した100通のうち90通が正解しているため、適合率は9割ということになります。

つまり、「スパムと判断した中で、どれだけ本当にスパムだったか」を表すのが適合率です。

適合率は特に「誤検出を避けたいケース」で重視されます。

以下のようなシーンが代表的です。

重要なメールを誤ってスパム扱いしてしまうと業務に支障が出ます。

そのため、「スパムと判断するなら確実にスパムであってほしい」という考え方で、適合率を高める方向でモデルを設計します。

正常な取引を誤って「不正」と判定すると顧客の信頼を損ねます。

このため、適合率を高め、誤報（偽陽性）を減らすことが重要です。

医療の世界では少し複雑です。

一般的な検査では「患者を見逃さない（再現率重視）」ことが多いですが、治療が非常に高コストまたは侵襲的な場合には、「健康な人を誤って病気と診断しない（適合率重視）」ことも重視されます。

つまり、状況によってどちらを優先するかが異なります。

適合率を上げるには、モデルが「正」と判定する条件をより厳しくするのが一般的です。

たとえば、モデルが予測結果を「確率」で出す場合、通常は50％以上を「正」と見なすことが多いですが、この基準を70％や80％に引き上げることで、「確信が強いときだけ正と判断する」ようになります。

ただしこの方法を取ると、慎重になりすぎて「本来正だったものを見逃す」リスクが増えます。

つまり、適合率が上がると再現率が下がりやすく、両者のバランスを取ることが重要です。

モデルの性能を視覚的に理解するために、次のような手法がよく使われます。

横軸に再現率、縦軸に適合率を取って、判定のしきい値を変えながら描くグラフです。

右上に張り付くようなカーブほど、精度と再現性の両立が取れた優れたモデルを意味します。

「正しく当てた」「見逃した」「誤って当てた」といった件数を一覧で整理した表です。

これを見れば、誤判定の種類（偽陽性・偽陰性など）を直感的に理解できます。