再現率と真陽性率、そもそも何？
機械学習や統計の話になると、よく出てくる「再現率」と「真陽性率」という言葉。実はこの2つはほとんど同じ意味で使われることが多いです。でも、データ分析の初心者にとっては、言葉だけで混乱しがちですよね。
まずはその基本のところから掘り下げていきましょう。
「再現率（Recall）」は、実際に陽性データ（例えば、病気の人など）がどれだけ上手に見つけられたかを示す割合です。
一方、「真陽性率」（True Positive Rate、TPR）とは、実際の陽性のなかで正しく陽性と判断された割合で、統計用語の正式表現とも言えます。
つまり、再現率 = 真陽性率が成り立ちます。どちらも「本物の陽性」をどのくらい漏らさずに見つけられているかを評価するものです。
まとめると、
- 「再現率」は機械学習やデータ分析でよく使われる呼び方
- 「真陽性率」は統計学では正式用語として使われる呼び方
しかし、それぞれの文脈で言葉の使われ方が少し異なることもあるので気をつけましょう。
再現率（真陽性率）を計算する仕組みとは？
実際に再現率や真陽性率がどのように計算されるのか、具体的に見ていきましょう。
まず、陽性か陰性かを判定する問題での結果を4つに分類します。これらは混同行列（コンフュージョンマトリックス）という表で整理されます。予測：陽性 予測：陰性 実際：陽性 真陽性（TP） 偽陰性（FN） 実際：陰性 偽陽性（FP） 真陰性（TN）
この中で再現率＝真陽性率は、
再現率 = 真陽性率 = TP / (TP + FN)
となります。
これは、実際に陽性だったもののうち、正しく陽性と予測できた割合を表します。
例えば、病気の患者さん100人のうち、検査で80人を正しく病気と判断できたなら、再現率＝80/100＝0.8（80％）です。
この数値が高いほど、陽性を見逃しにくいモデルと言えます。
混同しやすい評価指標との違い
再現率（真陽性率）と似ていてよく混乱しやすい指標に、「適合率（Precision）」があります。
適合率（Precision）は、予測で陽性とされたもののうち、正しく陽性だった割合です。
つまり、「予測が陽性だった中にどれだけ外れがないか」を表します。
分かりやすく言うと、
- 再現率（真陽性率）：本当の陽性をどれだけ見つけられたか
- 適合率：陽性と判断した結果の中に嘘の陽性（偽陽性）がどれだけ少ないか
この両方をバランスよく評価したい場合は「F1スコア」という指標が使われます。
表でまとめると以下の通りです：
この違いをよく理解すると、機械学習モデルの性能を正しく評価できるようになります。
まとめ：再現率と真陽性率はどっちを使う？
最後に、覚えておきたいポイントです。
「再現率」と「真陽性率」は基本的に同じ意味で使われ、違いは主に呼び方と使われる分野の違いだけです。
実務の現場やデータ分析では「再現率」、統計の専門書や論文では「真陽性率」がよく使われます。
混乱しやすいですが、計算方法は一緒なので安心してくださいね。
最後にもう一度重要な点を整理すると、
- 再現率（真陽性率）は、実際に陽性のものを見逃さない指標
- 適合率との違いに注意すること
- 性能評価ではF1スコアなども組み合わせて活用する
これらを覚えておくと、機械学習モデルの性能を正しく理解しやすくなります。
ぜひ、今回の記事を参考に「再現率」と「真陽性率」の違いをマスターしてください！
再現率（真陽性率）は、データの中にある「本当の陽性」をどれくらい見つけられるかを示す指標ですが、深掘りすると「真陽性率」という言葉自体は統計学の正しい表現なんです。実は、機械学習では「再現率」という言葉がより親しまれています。言葉が違うだけで意味は同じなので、両方の言葉を聞いたときに混乱しがちですが、どちらも“見逃しを減らすこと”を評価していると覚えておけばOKです。例えば、病気の早期発見などではこの指標が非常に重要で、「本当に病気の人を見逃さない」ことに注目しています。身近な問題と結び付けると理解しやすいですね！
ITの人気記事
