データサイエンス設計マニュアル

200 7 章 数理モデル

と答

えるベースライン分類器は、がん検出問題で 95 % の正確度を達成する。これは、両方のクラス

で 94 % 正しいバランスの取れた分類器よりも高い。

• 再現率は、分類器のバランスが取れているときに限り、正確度と等しくなる：両方のクラスを同じ正

確度で認識できるとすばらしいことが起こる。訓練データの両クラスのサイズが異なるときには、訓

練でこれを自動的に実現することはできない。実際、一般に訓練セットの陽性事例と陰性事例の数を

揃えるとよいとされているのは、そのためである。

• 2 つのクラスでサイズが大きく異なると、適合率を高くするのは非常に難しい：がん検出問題では、

陽性事例と陰性事例の両方で 99 % の正確度を持つバランスの取れた分類器でも、84 % 以上の適合率

を達成することはできない。これは、陰性事例が陽性事例の 20 倍近くもあるからだ。大きい陰性ク

ラスで 1 % の分類ミスが起きて偽陽性が生まれると、真陽性が 5 % しかいない状況のもとでは大き

な影響が及ぶ。

• 1 つの指標だけで判断しなければならないときには F 値が最も適しているが、分類器の性能を説明す

るときには 4 つの指標のそれぞれに意味がある：再現率よりも適合率の方が高い分類器では、陽性に

分類する事例が少なすぎるので、そのことを頭に入れて調整すれば性能を上げられるはずだ。逆に適

合率よりも再現率の方が高い場合には、陽性の宣言を控え目にすれば、F 値が上がる。正確度と再現

率がかけ離れている場合は、分類器のバランスが取れていない。そこで、どちらが悪影響を及ぼして ...