［評価指標］再現率（Recall）／感度（Sensitivity）とは？：AI・機械学習の用語辞典

用語「再現率」、別名：「感度」について説明。二値分類タスク（問題）に対する評価指標の一つで、実際の正解値が「陽性」で、かつ、予測値も「陽性」だった正解数（＝TP）を、実際の正解値が「陽性」である全てのデータ数（＝TP＋FN）で割った値を指す。

[一色政彦，デジタルアドバンテージ]

連載目次

用語解説

　統計学／機械学習における再現率（Recall）もしくは感度（Sensitivity）とは、（基本的に）二値分類のタスク（問題）に対する評価指標の一つで、正解値（真の値）が「陽性（Positive、正例）」であるデータ全体のうち、機械学習モデルによる予測値も「陽性」で正解だった確率である。0.0（＝0％）〜1.0（＝100％）の範囲の値になり、1.0に近づくほどより良い。

　言い換えると再現率は、正解値が陽性である場合において、機械学習モデルによる予測がどれくらいその正解を「再現」できるか、を表現したものだ。再現率の計算は、実際の正解値が「陽性」で、かつ、予測値も「陽性」だった正解数（＝TP）を、実際の正解値が「陽性」である全てのデータ数（＝TP＋FN）で割ることで計算できる（図1）。

図1　「再現率」のイメージ

　二値分類の混同行列を使ってあらためて計算式を書き出すと以下のようになる。

　再現率は、「陽性」の予測での取りこぼしをできるだけ少なくしたい場面で使いやすい評価指標である。例えばあなたがお医者さんで「健康診断における個々の患者さんに対し、精密検査が必要かどうか」という二値分類を予測する機械学習モデルを作成したとする。

　このケースでは、「精密検査が不要」という陰性予測は、より正確で（＝FN：偽陰性ができるだけ低く）なければならないだろう。もし間違ってしまうと、病気の発見を見逃してしまうことになるからだ。

　一方で、「精密検査が必要」という陽性予測では、不正解であること（＝FP：偽陽性）はそれほど重要ではない。なぜなら、実際には病気ではない人に間違って「精密検査が必要」と診断してしまったとしても、その精密検査では問題が出ずに「健康」と診断されるからだ。つまりお医者さんにとっては、実際に健康な人への予測結果が外れようと（＝偽陽性が高くても）安全面からは無視して構わず、実際に病気の人への予測の精度を強化する（＝偽陰性ができるだけ低い）方がより重要ということである。

　このケースでの評価指標としては、正解率（accuracy）や適合率（Precision、「FP：偽陽性」の低さを重視した評価指標）よりも再現率（「FN：偽陰性」の低さを重視した評価指標）を採用する方が好ましいと考えられる。まとめると再現率は、実際の正解値が陽性のデータに対しては、機械学習モデルによる予測時に「陰性」と間違う不正解はできるだけ出したくない場合（＝陰性予測においては、できるだけ不正解は出したくない場合）に使えばよい。

　本稿で説明した「正解が陽性に対する陽性予測の再現率＝TP／（TP＋FN）」は真陽性率とも呼ばれる。また「正解が陰性に対する陰性予測の再現率＝TN／（FP＋TN）」、つまり正解値（真の値）が「陰性（Negative、負例）」であるデータ全体のうち、機械学習モデルによる予測値も「陰性」で正解だった確率は真陰性率と呼ばれる。さらに「正解が陽性に対する陰性予測の率＝FN／（TP＋FN）」は偽陰性率、「正解が陰性に対する陽性予測の率＝FP／（FP＋TN）」は偽陽性率と呼ばれることがある。

適合率と再現率のトレードオフ

　適合率と再現率には重要な法則がある。通常、両者にはトレードオフの関係がある（図2）。

図2　適合率と再現率のトレードオフ

　例えば再現率を高くするために、より多くの予測値（範囲は0.0〜1.0とする）が陽性（1.0）になるよう、分類判定のしきい値を中央の0.5から0.3に変更したとする。これにより確かに再現率は高まるが、適合率においては、分母である「陽性予測全体（TP＋FP）の数」が増えることになる。それと同等に分子であるである「真陽性（TP）の数」が増えない限り、つまり通常は適合率が低くなるのである。逆に再現率を低くすると、適合率は高まる可能性が高い。

「AI・機械学習の用語辞典」