今回もやってきました、中学生でも分かる！？統計&機械学習の数学シリーズのお時間です。

前回は「ROC曲線とAUC」について、検査やモデルの性能をどうやって測るのかをお話ししました。まだ読んでいない方やどんなのか忘れた方は、是非ご参照くださいね。

実は、その土台には 混同行列 という検査やモデルの「成績表」みたいなものがあります。
今日はそこから派生して、他の指標も一緒に見ていきましょう。

それでは、レッツゴーーーー！！！！！

---

混同行列

混同行列は、以下のように表されます。

予測＼実際	本当は陽性	本当は陰性
陽性と予測	TP（真陽性）	FP（偽陽性） 第一種の過誤
陰性と予測	FN（偽陰性） 第二種の過誤	TN（真陰性）

• TP（True Positive, 真陽性）： 本当に病気の人を「病気あり」と当てた
• FN（False Negative, 偽陰性）： 本当に病気なのに「病気なし」と見逃した
• FP（False Positive, 偽陽性）： 本当は健康なのに「病気あり」と誤判定した
• TN（True Negative, 真陰性）： 本当に健康な人を「健康」と正しく判定した

つまり混同行列は「予測と正解を合わせた表」なのです。

人によっては、看護学生時代にこの図を見たことがあるかもしれません。
そう、それです！！！！！

これを機に学び直しちゃいましょう。

精度（Accuracy）

精度は「全部でどれだけ当たったか」を見る指標です。

「とりあえず全部合わせてどのくらい当たったか」を見ています。

感度（Sensitivity）
再現率（ Recall）

「見逃しを防ぐ力」です。検診やスクリーニングでは重要な指標ですね。

偽陰性を避けたい時にはこの指標を重視しますが、誤報が増えやすいです。

特異度（Specificity）

「誤警報を防ぐ力」です。無駄な精密検査を減らします。

陽性的中率（Positive Predictive Value, PPV）
適合率（Precision）

「検査で陽性と出た人のうち、本当に病気の人の割合」です。

偽陽性を避けたい時にはこの指標を重視しますが、見逃しが増えやすくなります。

陰性的中率（Negative Predictive Value, NPV）

「陰性と判定された人のうち、本当に陰性だった割合」です。

F1スコア

これはあまり聞いたことがない人も多いかもしれませんね。

適合率（＝陽性的中率）と再現率（＝感度）のバランス評価のことです。

つまり、適合率と再現率のバランスを取っています。

ただし、データの偏りを受けやすい指標でもあり、例として陽性のデータが少ない場合、検査やモデルが全部のデータを「これは陰性だよ！！」と予測してしまうこともあります。
これではF1スコアが高くても、実際には使い物にならなくなってしまいます。

偽陽性を避けたいときは適合率（＝陽性的中率）、病気の診断など偽陰性を避けたい場合は再現率（＝感度）を採用することもあります。

つまり、どれを使うかはケースバイケースです。

まとめ

最後に、今までの説明をまとめます。

• 混同行列：予測と実際の照合表
• 精度：全体の正答率
• 感度（再現率）：見逃しを防ぐ力
• 特異度：誤警報を防ぐ力
• 陽性的中率（適合率）：陽性判定の信頼度
• 陰性的中率：陰性判定の信頼度
• F1スコア：適合率と再現率のバランス

前回の記事にも書いた通り、この世に完璧な検査やモデルは存在しません。ままならぬものよ……
それぞれの指標の強み・弱みを知っておくことが大切です。

今回はここまで。次の記事でお会いしましょう！！