Precision（適合率）、Recall（再現率）、F1-score（F1スコア）などの適切な評価指標を使用する理由

2024年6月8日2024年6月17日

Precision（適合率）、Recall（再現率）、F1-score（F1スコア）などの適切な評価指標を使用する理由を解説します。

1. Precision（適合率）:
   • Precisionは、モデルがポジティブ（少数クラス、例えば売り切れ）と予測したサンプルのうち、実際にポジティブであったサンプルの割合を示します。つまり、Precisionは「正確性」を測る指標であり、モデルがポジティブと予測したサンプルがどれだけ実際に正しかったかを示します。
2. Recall（再現率）:
   • Recallは、実際にポジティブなサンプルのうち、モデルが正しくポジティブと予測できたサンプルの割合を示します。つまり、Recallは「網羅性」を測る指標であり、モデルがポジティブなサンプルをどれだけ見逃さずに正しく検出できたかを示します。
3. F1-score（F1スコア）:
   • F1-scoreは、PrecisionとRecallの調和平均です。つまり、PrecisionとRecallの両方をバランスよく評価する指標であり、クラス間の不均衡なデータセットに対してより信頼性の高いモデルの性能を評価するのに役立ちます。F1-scoreが高いほど、モデルの性能が高いと言えます。

不均衡なデータセットでは、ポジティブなクラス（少数クラス）が非常に少ないため、Accuracy（正解率）だけではモデルの性能を適切に評価できません。例えば、すべてのサンプルをネガティブクラス（例えば、在庫あり）と予測するモデルでも、多くの場合、高いAccuracyを示します。しかし、これはモデルが本当の問題を解決しているとは限りません。Precision、Recall、F1-scoreなどの適切な評価指標を使用することで、少数クラスに対するモデルの性能をより正確に評価することができます。