精度（Accuracy）とは
精度（Accuracy）とは、分類モデルの全予測のうち、正しく分類できた割合を示す評価指標です。最も直感的で理解しやすい指標であり、全サンプル数に対する正解数の比率として計算されます。数式では（TP + TN）/（TP + TN + FP + FN）で表されます。
| ひとことで言うと | 全予測のうち正しかった割合。最も基本的で、最も誤解されやすい指標。 |
|---|---|
| どこで使う | 各クラスの件数がだいたい同じときの、総合的な性能確認。 |
| 注意点 | 不均衡データでは無意味。99%が正常なら全部「正常」で99%になる。 |
精度の利点と限界
精度は計算が簡単で解釈が容易という利点がありますが、クラスの不均衡がある場合には誤解を招く可能性があります。例えば、全体の95%が正常データで5%が異常データというデータセットでは、すべてを「正常」と予測するだけで精度95%を達成できてしまいます。この場合、異常検知という本来の目的はまったく果たせていません。
1不良品1%のライン1000個中10個
▶
2全部「良品」と判定何も判断していない
▶
3精度は99%数値上は高得点
▶
4不良は0個検出実務では役に立たない
精度が有効な場面
精度が有効に機能するのは、各クラスのサンプル数がほぼ均等で、偽陽性と偽陰性の重要度が同程度の場合です。例えば、画像認識における10クラス分類のように、各クラスの出現頻度が近いタスクでは精度が有用な指標となります。
不均衡データへの対応
クラス不均衡がある場合は、精度だけでなく適合率、再現率、F値、バランス精度（Balanced Accuracy）などの指標を併用することが重要です。バランス精度は各クラスの再現率の平均であり、不均衡データに対してより公平な評価を提供します。