正答率

正答率（Accuracy）とは、機械学習モデルがどれだけ正確に予測や分類を行えるかを示す指標です。とくに分類問題において、モデルの性能を評価するために広く用いられ、AIモデルの信頼性を判断するうえで重要な情報となります。

正答率とは（意味・定義）

正答率は、モデルが正しく予測した事例の数を、全体の事例数で割ることで算出されます。たとえば100個のデータに対して80個を正しく予測できた場合、正答率は80%となります。この数値が高いほど、モデルの性能がよいと判断できます。

計算が分かりやすく、直感的に理解しやすいことが、正答率が広く使われる理由です。ただし、この分かりやすさが落とし穴になることもあります。

正答率だけで判断できない理由

正答率だけでモデルの性能を判断するのは不十分な場合もあります。なぜなら、データの偏りがある場合、高い正答率が必ずしも優れたモデルを意味しないことがあるからです。

たとえば、データセットの95%が陰性、5%が陽性の病気診断モデルを考えます。このとき、すべて陰性と予測するだけで正答率は95%になりますが、陽性を見逃し続けるため実際には役に立ちません。このように、大多数のクラスに偏った予測でも見かけ上の数値は高くなります。

つまり正答率は、クラスの出現割合が偏っているときに、モデルの弱点を隠してしまうことがあります。

他の指標と組み合わせる

このような場合、適合率、再現率、F1値といった他の指標と組み合わせて評価する必要があります。

どの指標を重視するかは目的によります。見逃しを減らしたいのか、誤検知を減らしたいのかで、見るべき数値が変わります。複数の指標を並べて確認することで、モデルの長所と短所が見えやすくなります。

正答率を向上させるには

正答率を向上させるためには、次のような取り組みが有効です。

• データセットの質を高める
• 問題に適したアルゴリズムを選択する
• ハイパーパラメータを調整する

ただし、数値を上げること自体を目的化すると、データに合わせすぎて未知のデータに弱くなる過学習を招くことがあります。目的に照らして評価することが大切です。

評価指標を選ぶときの考え方

モデルの良し悪しは、一つの数値だけで決まるものではありません。現場で「避けたい失敗」は何かを先に決めると、どの指標を重視すべきかが見えてきます。

たとえば、見逃しを減らしたいのか、誤った指摘を減らしたいのかで、重視すべき指標は変わります。複数の指標を並べて確認し、目的と照らし合わせて判断することが、実務では欠かせません。正答率はその出発点として便利な指標のひとつです。

よくある誤解

誤解：正答率が高ければよいモデルである

実際は：データが偏っていると、役に立たないモデルでも正答率は高くなります。他の指標と併せて見る必要があります。

誤解：正答率はどんな問題にも使える指標である

実際は：分類問題では使いやすい一方、数値予測などの回帰問題では誤差の大きさを見る別の指標が適します。

誤解：正答率を上げれば実務の成果も必ず上がる

実際は：現場で重視される指標と一致しないこともあります。目的に合った評価を選ぶ必要があります。

FAQ（よくある質問）

Q. 正答率はどのように計算しますか？

A. 正しく予測した件数を全体の件数で割ります。全体に対する正解の割合を示す、分かりやすい指標です。

Q. 正答率が高いのに現場で使えないのはなぜですか？

A. 見逃したくない事例をどれだけ拾えているか（再現率）が不足している場合があります。目的に合った指標で確認します。

Q. どの指標を優先すべきですか？

A. 目的によります。見逃しを避けたいなら再現率、誤検知を避けたいなら適合率を重視するのが一般的です。

関連用語

• 適合率 — 正答率と併用される評価指標
• 二値分類モデル — 正答率の偏りが問題になりやすい場面
• 機械学習バイアス — 評価を歪める要因

用語の一覧はAI用語辞典トップからたどれます。実際のツール比較はAIツール一覧をご覧ください。

参考出典

• Google Cloud「生成 AI の用語集」: docs.cloud.google.com
• SHIFT「AI用語集」: service.shiftinc.jp