分類タスクの評価指標をわかりやすく解説！
分類タスクの評価指標をわかりやすく解説！
- 1. 正解率（Accuracy）
- 2. 適合率（Precision）
- 3. 再現率（Recall）
- 4. F1スコア（F1 Score）
- まとめ
こんにちは！今日は、機械学習の分類タスクで使われる評価指標について説明します。これらの指標は、モデルがどれだけうまく分類できているかを測るためのものです。一緒に学んでいきましょう！
1. 正解率（Accuracy）
正解率は、全体の中でどれだけ正しく分類できたかを表します。例えば、100個のデータのうち80個を正しく分類できたら、正解率は80%です。
計算式：
[
\text{正解率} = \frac{\text{正しく分類した数}}{\text{全体の数}}
]
2. 適合率（Precision）
適合率は、モデルが「正」と予測したものの中で、実際に正しかったものの割合です。例えば、10個を「正」と予測して、そのうち8個が実際に正しかったら、適合率は80%です。
計算式：
[
\text{適合率} = \frac{\text{正しく「正」と予測した数}}{\text{「正」と予測した数}}
]
3. 再現率（Recall）
再現率は、実際に正しいものの中で、モデルが「正」と予測できたものの割合です。例えば、実際に正しいものが10個あって、そのうち7個を「正」と予測できたら、再現率は70%です。
計算式：
[
\text{再現率} = \frac{\text{正しく「正」と予測した数}}{\text{実際に正しい数}}
]
4. F1スコア（F1 Score）
F1スコアは、適合率と再現率のバランスを表します。適合率と再現率の両方が高いほど、F1スコアも高くなります。
計算式：
[
\text{F1スコア} = 2 \times \frac{\text{適合率} \times \text{再現率}}{\text{適合率} + \text{再現率}}
]
まとめ
これらの指標を使うことで、モデルの性能を多角的に評価できます。正解率だけでなく、適合率や再現率も確認することで、より良いモデルを作ることができますよ！