精度（Accuracy）とは？分類モデルの基本的な性能指標

はじめに

精度（Accuracy）は、分類モデルが正しく予測した割合を示す最も基本的な評価指標の一つです。
モデルの全体的な正確さを簡単に把握できるため、広く利用されています。
この記事では精度の定義や計算方法、利点と限界についてわかりやすく解説します。

基本情報・概要

精度は、モデルの予測が正解したデータの割合を表します。
2クラス分類では、正しく分類された正例（True Positive）と負例（True Negative）の合計を、全データ数で割ったものです。

• 精度の計算式：
  [ \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} ]

• 用語説明：

  • TP（True Positive）：正例を正しく予測
  • TN（True Negative）：負例を正しく予測
  • FP（False Positive）：負例を誤って正例と予測
  • FN（False Negative）：正例を誤って負例と予測

深掘り解説

• 利点

  • 計算が簡単で直感的に理解しやすい
  • バランスの良いデータセットで有効

• 限界

  • クラス不均衡がある場合、精度だけでは性能を正確に評価できない
  • 偏ったデータでは高い精度でも実際の性能が低いことがある

• 他の指標との併用
  適合率（Precision）や再現率（Recall）、F1スコアなどと組み合わせて評価することが望ましい。

応用・発展的な使い方

• 初期のモデル評価や簡易的な性能確認
• 複数モデルの比較時の参考値
• ハイパーパラメータ調整の目安として利用

よくある誤解と注意点

• 高い精度＝優れたモデルではない場合がある
• クラス不均衡が激しい問題には不向き
• 精度だけでなく多角的にモデルを評価すべき

まとめ

精度は分類モデルの基本的な性能指標であり、理解しやすく多くの場面で使われています。
しかし、単独では限界があるため、他の評価指標と併用して総合的に判断することが重要です。
機械学習の評価基礎として必ず押さえておきたい概念です。