F値 (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

F値（F1スコア、F-measure）とは、二値分類モデル（データを陽性・陰性の2つのクラスに分ける予測モデル）の評価指標のひとつで、適合率（Precision。陽性と予測したものの中で実際に陽性だった割合）と再現率（Recall。実際に陽性だったものの中で正しく陽性と予測できた割合）の調和平均によって算出される値です。

調和平均とは、逆数の平均をさらに逆数にした平均の求め方で、小さい値の影響を強く受けます。計算式は「F値＝2×適合率×再現率÷（適合率＋再現率）」で表され、0から1の範囲を取り、1に近いほど良いモデルとされます。たとえば適合率0.8、再現率0.6のモデルでは、F値は約0.69になります。

適合率と再現率のどちらか一方が0になると、分子の掛け算がゼロになるため、F値も0まで下がります。逆に両方が1であればF値も1になり、片方だけが高くても数値は伸びず、両方の指標が高い水準でそろって初めて1に近づく仕組みです。この性質があるため、F値の数値を見るだけで、適合率と再現率の両方が高い水準にあるかどうかをひと目で把握できます。

従来、機械学習モデルの性能は正解率（Accuracy。すべての予測のうち正しく当てられた割合）だけで評価する発想が一般的でした。しかし、データに偏り（陽性と陰性のデータ数に大きな差があるクラスの不均衡）があると、正解率は実態を正しく反映しないという課題があります。

そこで適合率と再現率という2つの指標が使われるようになりましたが、この2つはトレードオフの関係にあり、片方だけを見ると評価が偏ってしまいます。両者をバランスよく1つの数値に集約する指標として、F値が用いられています。適合率と再現率をそれぞれ別々に見比べる手間を省き、モデルどうしの優劣を1つの数値で判断できる点も、F値が広く使われる理由のひとつです。

2. 試験対策ポイント

まず押さえておきたいのは、F値の計算式が算術平均ではなく調和平均である点です。F値＝2×適合率×再現率÷（適合率＋再現率）という式は調和平均にあたり、算術平均とは異なり片方の指標が極端に低いと全体の値も低く出るという性質を持ちます。

この違いは、実際の数値を並べると分かりやすくなります。

適合率	再現率	算術平均	F値（調和平均）
0.7	0.7	0.70	0.70
0.8	0.6	0.70	0.69
1.0	0.1	0.55	0.18

3行目のように片方が極端に低い場合、算術平均では0.55と中程度に見えますが、F値は0.18まで下がります。この性質があるため、適合率だけ、あるいは再現率だけが高くても、他方が低ければF値は高評価になりません。極端に偏ったモデルを見かけ上高く評価してしまうリスクを抑えられる点が、調和平均が採用されている理由です。

適合率と再現率はトレードオフの関係にあり、F値はこのバランスを1つの数値で見るために使われるという位置づけがここでの要点です。あわせて、予測と実際の正解を4パターンに分けて集計する混同行列（TP・TN・FP・FNの4分類表）との対応関係も押さえておきたいポイントです。

適合率は偽陽性（実際は陰性なのに陽性と誤って判定してしまうこと）を減らすほど、再現率は偽陰性（実際は陽性なのに陰性と誤って判定してしまうこと）を減らすほど1に近づくという関係にあります。混同行列のどのマスがどちらの指標に関わるかを整理しておくと、問題文の読み違いを防げます。

実務での使い分けも整理しておきたいところです。がん検診では見逃し、つまり偽陰性を避けたいため再現率が重視され、スパムフィルタでは誤検出、つまり偽陽性を避けたいため適合率が重視されます。両者をバランスよく見たい場面でF値が使われるという対応関係は、取り違えやすい点です。

3. 関連概念との比較・相違点

正解率（Accuracy）との最大の違いは、クラスの不均衡データへの強さにあります。正解率は全予測に対する正答の割合で計算がシンプルですが、陽性と陰性のデータ数に大きな偏りがあるデータでは実態を反映しにくいという弱点があります。

F値は適合率・再現率のバランスを見るため、不均衡データでも性能を適切に評価できます。この違いは、正解率とF値のどちらが問題文の状況に合うかという点で混同しやすい組み合わせです。

適合率・再現率との最大の違いは、指標が単体か総合かという点にあります。適合率・再現率はそれぞれ個別の指標でトレードオフの関係にあるのに対し、F値はこの2つを調和平均で1つにまとめた総合指標です。適合率・再現率のどちらか一方の数値だけを根拠に「良いモデル」と判断すると誤りやすく、その誤りを防ぐ役割をF値が担っています。