再現率 (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

再現率（Recall）とは、実際に陽性（Positive）であるデータのうち、モデルが正しく陽性と予測できた割合を示す評価指標です。計算式は「再現率 = TP ÷ （TP + FN）」で表されます。

TP（真陽性、実際に陽性で予測も陽性だった件数）とFN（偽陰性、実際は陽性なのに予測では陰性としてしまった件数、いわゆる見逃し）の2つの値から求めるのが特徴です。この式は、実際に陽性だったデータのうちどれだけを取りこぼさずに拾えたかを表す割合でもあります。例えば実際に病気の患者100人のうち、検査で正しく陽性と判定できたのが80人であれば、再現率は80%です。

この指標は分野によって呼び名が変わる点にも注意が必要です。

呼び名	よく使われる分野	計算式
再現率（Recall）	機械学習全般	TP÷（TP+FN）
感度（Sensitivity）	医療	TP÷（TP+FN）
真陽性率（TPR）	統計・機械学習	TP÷（TP+FN）

呼び名は3つありますが、いずれも同じ計算式を指す同義の指標にあたります。

分類モデルの性能は、正解率（すべての予測のうち正解した割合）だけでは測れません。陽性データが少ないクラス不均衡データ（陽性・陰性のデータ件数に大きな偏りがあるデータ）では、すべて陰性と予測しても正解率が高く出てしまう問題があるためです。

予測結果を4分類する混同行列（予測結果と実際の正解を「正しく当てた・外した」で4つに区分して整理する表）が、この整理の土台になります。混同行列が示すTP・FP（偽陽性、実際は陰性なのに予測では陽性としてしまった件数、誤検知）・TN（真陰性、実際に陰性で予測も陰性だった件数）・FNの4象限のうち、実際の陽性をどれだけ取りこぼさず捉えられたかを測る指標が再現率です。この混同行列は、再現率だけでなく適合率や正解率など他の評価指標を導き出す共通の土台としても機能します。

2. 試験対策ポイント

まず整理しておきたいのは、計算式「再現率 = TP ÷ （TP + FN）」を混同行列の4象限と結び付けて理解しているかという点です。分母がTP+FN、つまり実際の陽性の総数である点が、分母がTP+FP（陽性と予測した件数の合計）となる適合率（陽性と予測した中で実際に陽性だった割合）との混同しやすい組み合わせです。この計算式に具体的な数値を当てはめて再現率を求める計算練習も、理解を確かめるうえで有効です。

適合率とのトレードオフも重要な論点です。陽性と判定するかどうかを分ける境界の基準値である閾値を動かすと、2つの指標は逆方向に動きます。

閾値の操作	陽性と予測する件数	再現率	適合率
緩める（下げる）	増える	上がる	下がる
厳しくする（上げる）	減る	下がる	上がる

閾値を緩めると、陽性と予測する件数が増えて取りこぼしは減りますが、誤検知にあたる偽陽性も増えます。逆に厳しくすると誤検知は減る一方、見逃しが増えるという関係です。

この特性から、指標の使い分けが分かれ目になります。見逃し（偽陰性）のコストが高い場面では再現率を優先し、誤検知（偽陽性）のコストが高い場面では適合率を優先するという考え方です。がん検診は見逃しが致命的になるため再現率重視、スパムフィルタは誤検知で重要メールを失うため適合率重視という対比になります。

適合率と再現率の調和平均であるF値（F1スコア）は、両者のバランスを取りたいときに用いる指標で、押さえておきたいポイントです。加えて、FNは第二種の過誤（Type II error、本当は陽性なのに見逃してしまう誤り）に対応し、FPは第一種の過誤（Type I error、本当は陰性なのに誤って陽性と判定してしまう誤り）に対応するという関係にあります。再現率は、見逃しにあたるFNを減らすほど高くなる指標といえます。

3. 関連概念との比較・相違点

適合率との最大の違いは、分母にあります。適合率は「陽性と予測した中で実際に陽性だった割合」（TP÷（TP+FP））で、いわば的中率を示す指標です。一方、再現率は「実際に陽性のデータの中で正しく陽性と捉えられた割合」（TP÷（TP+FN））にあたり、捕捉率を示す指標です。

両者はトレードオフの関係にあり、一方を高めようとすると他方が下がりやすいという特徴があります。どちらの指標かは、分母がTP+FNかTP+FPかという違いから見分けられます。

正解率との最大の違いは、陽性・陰性を区別するかどうかにあります。正解率は全予測のうち正誤が一致した割合（（TP+TN）÷全体）で、陽性・陰性を区別しない全体指標です。陽性データが少ないクラス不均衡データでは、すべて陰性と予測しても正解率が高く出るため、陽性の見逃しを見抜けません。そうした場面では、陽性クラスに特化した再現率のような指標が必要になります。

4. ビジネス・実務での活用シナリオ

医療診断の分野では、がん検診AIで再現率を優先します。病気を見逃す偽陰性は患者の生命に関わるため、多少の偽陽性（要精密検査の増加）を許容してでも取りこぼしを減らす設計にします。見逃しが起きれば治療の開始が遅れて患者の不利益に直結する一方、偽陽性による精密検査の増加は負担が生じるにとどまることが多く、両者の重みは対等ではありません。この非対称性が、がん検診AIで再現率が最優先の指標として扱われる理由です。

製造業の異常検知では、製造ラインの不良品検出モデルにおいて再現率が重視されます。不良品を良品と誤判定する見逃しを避けるためで、見逃した不良品が出荷されるコストは、良品を誤って再検査に回すコストより大きくなります。見逃した不良品はそのまま良品として出荷されてしまうのに対し、誤って再検査に回した良品は追加の検査工程を経てあらためて出荷できるため、両者の影響の大きさには明確な差があります。この非対称性から、検査工程では多少の誤検知を許容しても見逃しを減らす方向に運用するのが一般的です。

セキュリティの不正検知分野でも、クレジットカードの不正利用検知では再現率を重視する運用が多く見られます。不正取引を見逃す偽陰性を減らすことが優先されるためです。見逃した不正利用はそのまま実害の発生につながるのに対し、誤って利用を止めてしまった正常な取引は再度手続きを行えば解消できるため、まず見逃しを抑える設計が優先されます。ただし適合率が低すぎると正常な取引まで大量に止めてしまうため、両指標のバランス確認は実務でも欠かせません。