【G検定】真陽性（True Positive）とは？評価指標の出発点になる「正しい検出」を解説

混同行列の4つのマスの中で、「見つけたいものを正しく見つけられた」ことを表すのが真陽性です。適合率・再現率・F値といった主要な評価指標はすべて真陽性を分子に持ちます。つまり真陽性は、分類モデル評価の「出発点」なのです。

📖 ひと言でいうと

真陽性（True Positive、TP）とは、実際に陽性（正例）であるデータを、モデルが正しく陽性と予測できたケースのことです。「陽性と予測して、それが真（正しかった）」と読みます。

例えるなら、空港の手荷物検査で危険物を正しく検出できたケースです。実際に危険物がある（陽性）荷物に対して、検査が「危険物あり」（陽性）と判定する——検査システムの存在意義そのものである「正しい検出」が真陽性です。厳密には、真陽性は件数（カウント）であり、それ自体は割合ではありません。この件数を組み合わせて適合率や再現率などの割合の指標が作られます。

🖼 1枚でわかる真陽性

📘 公式テキストの説明

混同行列における分類結果の一種で、実際に陽性（正例）であるデータを正しく陽性と予測したケースを指す。英語ではTrue Positive（TP）と呼ばれる。例えば「犬」「猫」の画像分類問題において、実際は「犬」の画像を「犬」と正しく予測した場合がこれに該当する。適合率、再現率、F値といった分類問題の評価指標を計算するうえでの基本要素であり、ROC曲線における真陽性率（TPR=TP/(TP+FN)）の算出にも用いられる。

前半は定義、後半は「なぜ重要か」を述べています。真陽性は単なる1マスではなく、適合率・再現率・F値という主要指標の計算に共通して使われる基本要素です。さらに、閾値を変えながらモデルの性能を可視化するROC曲線では、真陽性率（TPR）＝ TP/(TP+FN) が縦軸になります。真陽性を正確に理解しておくことが、これらすべての指標理解の土台になるわけです。

🔍 しっかり理解する

用語の読み方——「真/偽」×「陽性/陰性」

混同行列の4用語は、2つの軸の組み合わせでできています。「陽性/陰性」はモデルが何と予測したか、「真/偽」はその予測が当たったか外れたかです。真陽性は「陽性と予測し、当たった」、つまり実際も陽性だったケースです。同じ「予測は陽性」でも、外れたケースは偽陽性として別のマスに数えられます。

このように「予測が陽性」のグループはTPとFPの2つに分かれます。一方、「実際が陽性」のグループはTPとFN（偽陰性）に分かれます。TPは両方のグループに属する唯一のマスであり、これが「適合率にも再現率にも分子として登場する」理由です。

主要指標の分子としての役割

真陽性を使う代表的な計算をプレーンテキストの式で確認します。

適合率と再現率は分子が同じTPで、分母だけが異なります。「TPを何で割るか」——予測陽性の総数で割れば適合率、実際の陽性の総数で割れば再現率です。この構造をつかむと、指標の式を丸暗記しなくても導けるようになります。

💡 具体例で考える

公式テキストの犬猫分類の例で数えてみましょう。犬100枚・猫100枚のデータセットで、「犬」を陽性クラスとします。モデルの予測結果は、犬と予測して正しかった数（真陽性）が90枚でした。つまり実際の犬100枚のうち90枚を正しく「犬」と検出できたことになります。このTP=90を使うと、再現率は 90/(90+15) = 約0.857、適合率は 90/(90+10) = 0.9 と計算でき、モデルの性格が数値で見えてきます。

もう1つ、工場の不良品検出を考えます。不良品を陽性とすると、真陽性は「不良品を正しく不良品と判定できた件数」です。検査ラインの改善会議で「今月はTPが増えた」と言えば、それは見つけるべき不良品をより多く捕捉できたという良い知らせです。ただしTPの件数だけでは、誤検出（FP）がどれだけ出たかはわかりません。だからこそTP単体ではなく、割合の指標に落とし込んで評価するのです。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ