.png?width=150&height=150&name=meowbit_logo_text%20(1).png "meowbit_logo_text (1)"){kind=logo}
＊試験対策用のメモ✍
1️⃣ 混同行列ってなに？
「モデルが何を当てて、何を間違えたかを表にしたもの」だよ！正解だったときが対角線上のセルにあらわれるのがポイント
📦 例：スパムメールの判定
| 📬実際スパム | ✉️実際スパムじゃない | |
|---|---|---|
|
🔮予測：スパム |
✅当てた！（TP） | ❌間違えた！（FP） |
| 🔮予測：スパムじゃない | ❌見逃した！（FN） | ✅当てた！（TN） |
2️⃣ 精度（Accuracy）
👀「全部のうち、どれくらい当たった？」
✅正解いっぱい → 高い
🚫クラスがかたよってるときはダマされるかも！
3️⃣ 適合率（Precision）
陽性と予測したものの中で、どれだけ正解？
例：
予測でスパムと判定した50件のうち、実際スパムだったのは40件 →
→ Precision = 40 / 50 = 80%
→ **誤報が少ないか？**に注目したいときに使うよ（例：医療診断で誤って病気と告げたくないとき）
例：普通のメールをスパムにしちゃうのは困る！
4️⃣ 再現率（Recall）
実際に陽性だったもののうち、どれだけ当てられた？
例：
実際スパムだったのは60件、そのうち40件を予測できた →
→ Recall = 40 / 60 = 66.7%
→ **見逃しが少ないか？**を重視するならこれ！（例：ガンの早期発見など）
例：病気の人を見逃すと大変！
5️⃣ F値（F1-score）
⚖️ PrecisionとRecallのバランス点数
どっちも大事にしたいときの仲直りスコア
🎯 どう使い分けるの？
| シーン | 大事なのは？ | なぜ？ |
|---|---|---|
| 🧬 病気の検査 | Recall | 見逃しちゃダメ！ |
| 📩 スパムメール | Precision | 普通のメールをスパムにしちゃダメ！ |
| 🤖 全体性能をざっくり見たい | Accuracy | 全体の当てっぷりを見るとき |
| ⚠️ 不均衡データ（陽性が少ない） | F1-score | バランス良く評価したいとき |
🐱 まとめると…
-
Accuracy：ざっくり全部の当たり具合！
-
Precision：当てた中にハズレが多くない？
-
Recall：本物をちゃんと見つけられた？
-
F1-score：そのバランスどうだった？
