【G検定】再現率（Recall）とは？見逃しを減らしたい場面で使う指標をわかりやすく解説

「本当に見つけるべきもののうち、どれだけ拾えたか？」——この問いに答える指標が再現率です。視点の起点は「実際の陽性」側にあり、見逃し（偽陰性）が許されない医療診断や不良品検出の現場で主役になります。

📖 ひと言でいうと

再現率（Recall）とは、実際に陽性であるもののうち、モデルが陽性と予測できた割合を示す指標です。「取りこぼしなく拾えているか」という捕捉率・網羅性を表します。

例えるなら、部屋に隠された10個の宝物のうち、探索チームが何個見つけ出せたかという「発見率」です。8個見つければ再現率80%。途中で拾ったガラクタ（誤検出）が何個あっても、この発見率には影響しません。厳密には、再現率の母集団は「実際の陽性の全件（TP+FN）」であり、モデルが陽性と予測した件数ではありません。誤検出の少なさは適合率という別の指標の担当です。

🖼 1枚でわかる再現率

📘 公式テキストの説明

再現率（Recall）は、実際に陽性のもののうち、陽性と予測でき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+FN)で計算される。見逃しを減らすことが重要な場面、例えば不良品検出や医療診断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+FN は「実際に陽性であるデータの総数」——正しく拾えたもの（TP）と見逃したもの（FN）を合わせると、実在する陽性の全件になるからです。第3文の「見逃しを減らすことが重要な場面」という言い回しと、不良品検出・医療診断という例は、試験の応用問題でそのまま判断基準になります。

🔍 しっかり理解する

式の構造——「実際の陽性」を母集団にする

再現率 = TP / (TP + FN)

適合率が「モデルが陽性と予測した集合」を母集団にするのに対し、再現率は「実際に陽性である集合」を母集団にします。現実に存在する陽性のうち何割に手が届いたか、という現実側からの採点です。したがって、モデルが陰性側をどう扱ったか（TN）や、誤検出（FP）を何件出したかは、再現率の値にまったく影響しません。

犬猫分類（犬100枚・猫100枚、犬が陽性）の例では、TP=90、FN=15なので、再現率は 90/(90+15) = 約0.857。「実在する犬の約86%を捕捉し、約14%を見逃した」と読みます。なお、再現率と同じ式 TP/(TP+FN) は真陽性率（TPR）とも呼ばれ、ROC曲線の縦軸に使われます。

どんな場面で再現率を最優先するのか

再現率を下げる唯一の要因は偽陰性（FN）、つまり見逃しです。見逃し1件の被害が甚大な場面では、多少の誤検出を許容してでも再現率を高める設計にします。逆に誤検出の後始末が高くつく場面では適合率を優先します。

このように再現率と適合率はトレードオフの関係にあります。判定基準（閾値）を緩めれば再現率が上がり適合率が下がる、厳しくすればその逆——シーソーのような関係です。両者のバランスを1つの数値で評価したいときは、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。

「再現率100%」の罠

再現率だけを見て運用すると、抜け道があります。全データを陽性と予測すればFNはゼロになり、再現率は必ず100%になるのです。しかしそのとき陰性は全件誤検出（FP）になり、適合率は最低水準に落ちます。再現率は単独では「オオカミ少年」的なモデルを見抜けないため、必ず適合率とセットで確認するのが原則です。

💡 具体例で考える

工場の不良品検出AIを考えます。不良品を陽性とすると、FNは「不良品を良品として出荷する」ことです。市場に流出した不良品はクレーム・回収・信用失墜という大きなコストを生みます。一方FPは「良品を不良品と疑う」ことで、人が再検査すれば済みます。そこで検査AIは「疑わしきははじいて人が再確認」という再現率重視の設計にします。再現率99%なら、不良品100個のうち99個をラインで捕捉できている、という意味になります。

医療のスクリーニング検査も同じ構図です。疾病ありを陽性とすると、FNは「病気の人に異常なしと通知する」ことで、治療の遅れに直結します。FP（健康な人への要精密検査通知）は追加検査の負担こそあれ、精密検査で訂正可能です。だから一次スクリーニングは再現率を最優先し、絞り込みは後段の精密検査に委ねる、という役割分担が組まれます。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ