正解率 (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

正解率（Accuracy）とは、モデルの予測が正しかった件数を、全件数で割った値です。その土台になるのが混同行列（予測結果を「合っていた/間違えていた」×「正例/負例」の4パターンに分けて数える表）で、次の4つの区分で構成されます。

区分	予測	実際	どんなケースか
真陽性（TP）	正	正	正しく「正」と当てられた
真陰性（TN）	負	負	正しく「負」と当てられた
偽陽性（FP）	正	負	誤って「正」と判定した
偽陰性（FN）	負	正	見逃して「負」と判定した

このうち予測が当たっているのは真陽性と真陰性の2つです。正解率の計算式はAccuracy=（TP+TN）/（TP+TN+FP+FN）で表されます。

具体例で見てみます。100件のメール分類でスパムを80件、非スパムを15件正しく判定し、誤判定が5件だった場合、正解率は95%です。正しく判定できた95件を全体100件で割った値が、そのまま正解率になります。

従来、分類モデルの性能は「全体でどれだけ当たったか」を示す正解率で単純に評価されてきました。1つの数値で全体像をつかめる分かりやすさが、正解率が長く使われてきた理由です。しかし実務データには、正例と負例の件数に大きな偏りがある不均衡データが多く含まれます。正解率だけでは性能を正しく評価できない場面があり、目的に応じて適合率・再現率・F値（適合率と再現率の両方をバランスよく反映させるために、この2つの指標を組み合わせて算出する指標）を使い分ける必要性が生まれました。適合率と再現率はそれぞれ得意な場面が異なるため、F値は一方に偏らない総合的な評価を求める場面で使われます。

2. 試験対策ポイント

まず押さえておきたいのは、計算式Accuracy=（TP+TN）/（TP+TN+FP+FN）と、混同行列の4象限の対応関係です。分子には予測が当たった件数（TP+TN）、分母には全件数（TP+TN+FP+FN）が入ります。この構造が、適合率や再現率など他の指標との違いを理解する起点になります。混同行列の各マスがどの指標のどの部分に対応するかも、あわせて整理しておきたいところです。

正解率の弱点は、不均衡データへの弱さです。有病率が低い検査を例にすると、全員を陰性と予測するモデルでも正解率は高い数値になります。この「見かけの高精度」の罠は、取り違えやすい典型です。

そこで重要になるのは、適合率・再現率との使い分けです。スパムフィルタでは誤検知を避ける適合率（モデルが「正」と判定したものの中で、実際に正しかった割合）が重視される一方、がん検診では見逃しを避ける再現率（実際に正であるものの中で、モデルが正しく拾えた割合）が重視されます。この使い分けの理屈は、正解率単体では見えないコストの違いに基づいています。

統計学との対応関係も、押さえておきたいポイントです。第一種の過誤（本当は正しいことを誤って「間違い」と判定してしまう統計上のミス）は偽陽性に対応し、第二種の過誤（本当は間違っていることを見逃して「正しい」と判定してしまう統計上のミス）は偽陰性に対応します。正解率はこれらの誤りの種類を区別せず一括して扱う指標です。誤りの種類を区別する適合率・再現率と、区別しない正解率という対比が、両者の役割の違いを際立たせます。

3. 関連概念との比較・相違点

正解率・適合率・再現率の違いは、分母に何を置くかに表れます。

指標	分母になる件数	何を測るか	重視される場面
正解率	全件数（TP+TN+FP+FN）	全体でどれだけ当たったか	全体像を一目で把握したいとき
適合率	正と予測した件数（TP+FP）	「正」と判定したものの確からしさ	誤検知のコストが高いスパムフィルタなど
再現率	実際の正例の件数（TP+FN）	正例をどれだけ見逃さず拾えたか	見逃しのコストが高いがん検診など

適合率との最大の違いは、この分母にある点です。正解率が全予測に対する正答率を示すのに対し、適合率が示すのは「正と予測したものの中の正答率」だけです。分母の違いから、両者の数値が食い違うケースが生まれます。正解率が高くても適合率が低いケースは、誤検知のコストが高い場面で見過ごせない弱点になるため、混同しやすい組み合わせです。

再現率との最大の違いは、視点にあります。正解率が全体を俯瞰する指標であるのに対し、再現率が測るのは「実際に正であるものをどれだけ見逃さずに拾えたか」です。見逃しのコストが高い場面では、正解率よりも再現率が重視される関係にあります。どちらが偽陰性を重視する指標かという点が、両者の分かれ目です。

4. ビジネス・実務での活用シナリオ

メール・スパムフィルタの分野では、全体の分類性能を把握する一次指標として正解率が使われます。ただし大事なメールを誤ってスパム判定してしまうコストは高く、適合率もあわせて確認する運用が一般的です。正解率と適合率の両面から見ることで、利便性と安全性のバランスが取れた判断につながります。

需要予測・在庫管理の分野では、発注要否を二値分類するモデルの全体的な当たり外れを俯瞰する指標として正解率が使われます。ただし欠品が少ない、つまりデータが偏った商品では、正解率だけで高評価に見えてしまう点が課題です。欠品を見逃すコストは大きいため、正解率だけに頼らない評価の設計が実務では求められています。

品質検査（製造業）の分野では、不良品率が低いラインの外観検査AIを正解率だけで評価すると、「良品ばかり出す」だけで数値が高く出てしまいます。そのため再現率とあわせて確認する運用が定着している状況です。不良品の見逃しは後工程や出荷後のトラブルに直結するため、正解率の高さだけを根拠に検査精度を判断すると、実際の不良品を見つけ出す力を見誤るおそれがあります。