【G検定】適合率（Precision）とは？誤検出を減らしたい場面で使う指標をわかりやすく解説

「AIが陽性と言ったとき、それはどれくらい信用できるのか？」——この問いに答える指標が適合率です。モデルの陽性判定の「質」を測る指標であり、誤検出（偽陽性）が許されない場面で主役になります。

📖 ひと言でいうと

適合率（Precision）とは、モデルが陽性と予測したもののうち、実際に陽性だった割合を示す指標です。視点の起点は「モデルの予測」側にあり、陽性判定の的中率を表します。

例えるなら、「この人は買ってくれそう」と営業担当が選んだ見込み客リストのうち、実際に購入した人の割合です。リストの的中率が高ければ、1件1件の訪問が無駄になりません。厳密には、適合率は陽性と予測した集合（TP+FP）だけを母集団とする指標であり、「陽性なのに見逃したもの（FN）」は一切考慮しない点が特徴です。見逃しの少なさは別の指標（再現率）の担当です。

🖼 1枚でわかる適合率

📘 公式テキストの説明

適合率（Precision）は、陽性と予測したもののうち、実際に陽性だった割合を示す指標である。混同行列を用いて表現すると、TP/(TP+FP)で計算される。誤検出を減らすことが重要な場面、例えばスパムメール検出のような場合に重視されることが多い。

定義・式・使いどころの3点構成です。分母の TP+FP は「モデルが陽性と予測した件数の合計」、分子の TP はそのうち当たっていた件数です。第3文の「誤検出を減らすことが重要な場面」という言い回しが適合率の使いどころを端的に表しており、試験でもこの対応（適合率＝誤検出対策、スパム検出）がそのまま問われます。

🔍 しっかり理解する

式の構造——「陽性と予測した集合」に絞り込む

適合率 = TP / (TP + FP)

計算の視点を図で追うと、適合率が「予測側から見た指標」であることがよくわかります。

母集団はあくまで「モデルが陽性と言った件数」です。したがって適合率は、陰性側の成績（TN）や見逃し（FN）がどれだけあっても変化しません。この割り切りが、適合率を「陽性判定の信用度」に特化した指標にしています。

なぜ「誤検出コストが高い場面」で使うのか

適合率を下げる唯一の要因は偽陽性（FP）、つまり誤検出です。誤検出が起こるたびに現実世界で何らかのコストが発生する場面——正常メールがスパムフォルダに消える、健全な取引がブロックされて顧客が怒る、無実の人に疑いがかかる——では、陽性判定の乱発を抑えたいはずです。適合率はまさに「陽性判定を出すなら外すな」という要求の達成度を測ります。

適合率を上げる素朴な方法は、確信のあるものだけを陽性と判定する（判定基準を厳しくする）ことです。しかしそうすると、確信の持てない本物の陽性を見逃し、偽陰性（FN）が増えます。つまり適合率と再現率はトレードオフの関係にあり、片方だけを最大化する運用は通常できません。両者のバランスを1つの数値で見たいときは、調和平均であるF値 = 2 × 適合率 × 再現率 / (適合率 + 再現率) を使います。

混同行列とのつながり

公式テキストの犬猫分類（犬100枚・猫100枚、犬が陽性）で計算してみましょう。犬と予測して正しかったTP=90、犬と予測して間違ったFP=10なので、適合率は 90/(90+10) = 0.9 です。「このモデルが『犬』と言ったとき、9割は本当に犬」という読み方になります。同じデータで再現率は 90/(90+15) = 約0.857 であり、値も意味も異なることを確認してください。

💡 具体例で考える

スパムメール検出は適合率重視の代表例です。スパムを陽性とすると、FPは「正常メールのスパム判定」です。ユーザーはスパムフォルダを滅多に見ないため、誤判定された重要メール（取引先の連絡、面接の案内など）は事実上失われます。一方、スパムが数通受信箱に紛れ込む（FN）のは不快ですが致命的ではありません。したがってスパムフィルタは「スパムと断定するなら確実に」という適合率重視の設計になります。

もう1つは、ECサイトのレコメンドです。「おすすめ」欄に表示した商品のうち、ユーザーが実際に興味を持つ割合は適合率そのものです。的外れなおすすめ（FP）が並ぶと、ユーザーはおすすめ欄自体を信用しなくなります。表示枠が限られている場面では、「出したものは当てる」＝適合率がサービス品質に直結します。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ