適合率（Precision）とは、モデルが陽性と予測したサンプルのうち、実際に陽性であったものの割合です。TP/(TP+FP)で計算され、「陽性予測の正確さ」を測る指標です。偽陽性のコストが高い場面で特に重要視されます。
適合率が重要な場面
スパムメール検出では、正常なメールをスパムと誤判定（偽陽性）すると重要なメールを見逃してしまいます。このように偽陽性のコストが高い場合、適合率を重視した評価が必要です。
| ひとことで言うと | 「陽性」と予測したもののうち、実際に当たっていた割合。 |
|---|---|
| どこで使う | 誤検知のコストが高い場面。スパム判定、不良品の廃棄判断、営業リストの絞り込み。 |
| 注意点 | 見逃しは評価されない。再現率とセットで見ないと判断を誤る。 |
再現率とのトレードオフ
適合率を上げようとすると再現率が下がり、再現率を上げようとすると適合率が下がるトレードオフの関係があります。分類閾値を上げると適合率は向上しますが、見逃しが増えて再現率は低下します。
1陽性と予測100件をスパム判定
▶
2本当に陽性そのうち90件が正解
▶
3適合率＝90%予測の的中率
▶
4誤検知が少ない無駄な対応が減る