分類モデルの成績表は、「当たった/外れた」の2択では書けません。どんなふうに当たり、どんなふうに外れたのかを4つのマスに整理する——それが混同行列です。正解率・適合率・再現率・F値はすべて、この表から生まれます。
📖 ひと言でいうと
混同行列（confusion matrix）とは、分類モデルの予測結果を「実際のクラス」と「予測したクラス」の組み合わせで集計した表で、2クラス分類なら真陽性（TP）・偽陽性（FP）・偽陰性（FN）・真陰性（TN）の4つの値で構成されます。
例えるなら、テストの採点を「正解数75点」とだけ書くのではなく、「どの問題で、どんな間違い方をしたか」まで記録した詳細な採点表です。モデルがどのクラスとどのクラスを「混同」しているかが見えることが名前の由来です。厳密には、混同行列そのものは評価「指標」ではなく、指標を計算するための集計表（土台）である点に注意してください。
🖼 1枚でわかる混同行列
📘 公式テキストの説明
機械学習や統計の分野で、分類モデルの性能を評価するために用いられる行列。実際のクラスと予測されたクラスの組み合わせを集計し、真陽性（TP）、偽陽性（FP）、偽陰性（FN）、真陰性（TN）の4つの値で表す。例として「犬」「猫」の画像分類問題（犬の画像100枚、猫の画像100枚）では、「犬」と予測して正しかった数（TP）が90枚、「犬」と予測して間違った数（FP）が10枚、「猫」と予測して正しかった数（TN）が85枚、「猫」と予測して間違った数（FN）が15枚といった形で集計される。混同行列を用いることで、正解率、適合率、再現率、F値などの各種評価指標を導出することができる。
この例では「犬」を陽性クラス、「猫」を陰性クラスとしています。「犬と予測して正しかった＝TP」「犬と予測して間違った（実際は猫）＝FP」「猫と予測して正しかった＝TN」「猫と予測して間違った（実際は犬）＝FN」という対応です。最後の一文が混同行列の存在意義で、この4つの値さえあれば主要な評価指標をすべて計算できます。
🔍 しっかり理解する
4つのマスの読み方
用語は「真/偽」と「陽性/陰性」の2軸の組み合わせです。「陽性/陰性」はモデルの予測、「真/偽」はその予測の当たり外れを表します。公式テキストの犬猫の例を表に整理すると次のようになります。
| 予測：犬（陽性） | 予測：猫（陰性） | |
|---|---|---|
| 実際：犬（陽性） | 真陽性 TP＝90 | 偽陰性 FN＝15 |
| 実際：猫（陰性） | 偽陽性 FP＝10 | 真陰性 TN＝85 |
対角線上（TPとTN）が正解、それ以外（FPとFN）が誤りです。誤りが「誤検出（FP）」と「見逃し（FN）」の2種類に分かれて見えることが、この表の最大の価値です。
集計から指標導出までの流れ
混同行列は、評価プロセスの中間地点に位置します。
導出される代表的な指標をプレーンテキストの式で示します。
- 正解率 = (TP + TN) / (TP + TN + FP + FN)
- 適合率 = TP / (TP + FP)
- 再現率 = TP / (TP + FN)
- F値 = 2 × 適合率 × 再現率 / (適合率 + 再現率)
どの指標も、混同行列のどのマスを組み合わせるかの違いにすぎません。式を個別に丸暗記するより、「行列のどの範囲を分母に取るか」で捉えると忘れにくくなります。
なぜ1つの数値ではダメなのか
なお、ここでは2クラス分類で説明しましたが、混同行列は3クラス以上の分類にも拡張できます。クラスが3つなら3行3列の表になり、「どのクラスをどのクラスに間違えやすいか」という混同のパターンが一覧できます。
正解率という1つの数値だけでは、「どんな間違い方をしているか」が見えません。犬猫の例で正解率は175/200＝87.5%ですが、混同行列を見ると誤りの内訳はFP=10とFN=15で非対称であり、犬の見逃しのほうが多いとわかります。誤検出と見逃しのコストが異なる実務（医療診断、スパム判定など）では、この内訳こそが意思決定の材料になります。混同行列は、単一数値に潰される前の「情報の全体像」を保持しているのです。
💡 具体例で考える
クレジットカードの不正利用検知システムを評価するとします。10,000件の取引（うち不正50件）に対する予測を混同行列に集計したところ、TP=40、FN=10、FP=100、TN=9,850だったとしましょう。正解率は (40+9850)/10000 = 98.9% と一見優秀です。しかし行列を見れば「不正50件のうち10件を見逃し」「正常な取引100件に誤って警告」という実態が読み取れます。見逃し10件の損失額と、誤警告100件の顧客対応コストを天秤にかけ、判定基準を調整する——混同行列は、こうした実務判断の出発点になる集計表です。
⚠️ よくある誤解・紛らわしい用語
- 混同行列そのものは「指標」ではない。正解率や適合率のような1つの数値ではなく、指標を計算するための集計表です。「混同行列＝評価指標の一種」という選択肢は誤りです。
- 「陽性/陰性」を実際のクラスと読み違える。4用語の「陽性/陰性」は予測結果を指します。例えば偽陽性は「陽性と予測したが実際は陰性」です。
- FPとFNの取り違え。FP＝誤検出（実際は陰性）、FN＝見逃し（実際は陽性）。犬猫の例では「猫を犬と間違えた」がFP、「犬を猫と間違えた」がFNです。
- どちらのクラスが陽性かは問題設定次第。犬猫の例で「猫」を陽性とすれば、TPとTN、FPとFNの数値は入れ替わります。問題文で陽性クラスの指定を必ず確認しましょう。
📝 試験でのポイント
- 「実際のクラスと予測されたクラスの組み合わせを集計し、TP・FP・FN・TNの4つの値で表す」という定義の選択問題が基本形です。
- 具体的な件数（犬90枚・猫85枚など）が与えられ、4区分への振り分けや、そこから正解率・適合率・再現率を計算させる問題が典型です。
- 「どのマスがどの指標の式に入るか」の対応（適合率の分母はTP+FP、再現率の分母はTP+FNなど）が問われます。
- 事例文から「この誤りはFPかFNか」を判定させる問題では、陽性クラスが何かを最初に固定するのが鉄則です。
📚 まとめ
- 混同行列は、実際のクラス×予測クラスで分類結果を集計する表で、TP・FP・FN・TNの4値で構成されます。
- 「陽性/陰性」は予測、「真/偽」は当たり外れを表すと読めば、4用語は整理できます。
- 正解率・適合率・再現率・F値はすべて混同行列の4値から導出されます。
- 誤りを「誤検出（FP）」と「見逃し（FN）」に区別して見せることが最大の価値です。
- 単一の数値では潰れてしまう間違い方の内訳を保持する、分類評価の土台となる道具です。
