混同行列計算機
混同行列計算機です。
計算結果
混乱行列（混同行列）とは？：モデルの真価を見極めるための羅針盤
機械学習やデータ分析の世界において、作成した分類モデルが「どれだけ優秀か」を測る際、単純な「正解率」だけでは不十分なことが多々あります。そこで登場するのが「混乱行列（Confusion Matrix）」です。これは、モデルが予測した結果と実際の正解をクロス集計した表であり、モデルがどのような間違いを犯しているのかを視覚的に明らかにするための強力なツールです。本ページでは、混乱行列の読み方から各評価指標の深い意味までを徹底的に解説します。
混乱行列を構成する4つの基本要素
混乱行列は、2クラス分類（例：陽性か陰性か）の場合、以下の4つの象限で構成されます。
- TP (True Positive / 真陽性): 実際も陽性で、モデルも「陽性」と正しく予測した場合。
- TN (True Negative / 真陰性): 実際も陰性で、モデルも「陰性」と正しく予測した場合。
- FP (False Positive / 偽陽性): 実際は陰性なのに、モデルが「陽性」と間違えて予測した場合（第一種過誤）。
- FN (False Negative / 偽陰性): 実際は陽性なのに、モデルが「陰性」と間違えて予測した場合（第二種過誤）。
主要な評価指標とその計算方法
混乱行列の4つの値を使うことで、様々な角度からモデルを評価できます。
1. 正解率 (Accuracy)
全データの中で、どれだけ正しく予測できたかを表します。最も直感的な指標ですが、データの偏りに弱いという欠点があります。
2. 適合率 (Precision)
モデルが「陽性」と予測したもののうち、実際に陽性だった割合です。「予測の正確さ」を重視する場合に使います。
3. 再現率 (Recall / Sensitivity)
実際の陽性データのうち、どれだけを「陽性」と予測できたかを表します。「見逃しの少なさ」を重視する場合に重要です。
4. F1スコア (F1-Score)
適合率と再現率の調和平均です。両方のバランスを一つの指標で評価したい場合に非常に有効です。
どちらを優先すべき？ 再現率 vs 適合率
ビジネスや医療の現場では、目的によって重視すべき指標が異なります。
- 再現率を重視すべきケース: 癌の診断など。「病気を見逃す（FN）」リスクが非常に高いため、たとえ誤診（FP）が増えても再現率を高く保つ必要があります。
- 適合率を重視すべきケース: スパムメールの検知など。「重要なメールをスパムと誤判定する（FP）」リスクを避けたい場合、適合率の高さが求められます。
不均衡データセットの罠
例えば、1000件のデータのうち、10件だけが「異常」である場合、すべてのデータを「正常」と予測するだけで正解率は99%になります。しかし、これでは本質的な異常検知はできていません。このような不均衡データでは、正解率だけでなく、F1スコアや「特異度（Specificity）」を確認することが極めて重要です。
よくある質問 (FAQ)
- Q. 整理された表（プロット）として見るメリットは何ですか？
- A. 計算ミスを防ぐだけでなく、モデルが「どちら側に間違えやすいか（陽性を陰性と間違えるのか、その逆か）」という傾向を視覚的に把握できるため、特徴量の見直しや閾値の調整に役立ちます。
- Q. 多クラス分類（3つ以上のクラス）でも混乱行列は使えますか？
- A. はい、使えます。その場合は N x N の行列となり、各クラスごとの適合率や再現率を計算（One-vs-Rest法など）して評価します。
まとめ
混乱行列は、単なる数字の羅列ではなく、分類モデルの個性を映し出す鏡のような存在です。当「混乱行列計算機」を活用し、適合率、再現率、F1スコアといった多角的な視点を持つことで、より実用的で堅牢なAI・統計モデルの構築が可能になります。Gojikara.comは、皆様のデータ分析の旅を正確な計算と深い洞察でナビゲートいたします。