対話型シミュレーター
混同行列からの Precision・Recall・F1シミュレーター
混同行列から Precision、Recall、F1、Specificity を同時に計算し、偽陽性と偽陰性のトレードオフを見ます。
パラメータ入力
一時停止中はスライダーを動かすと結果が即座に更新されます。
物理モデルと主要式
$$Precision=\frac{TP}{TP+FP},\quad Recall=\frac{TP}{TP+FN},\quad F1=\frac{2PR}{P+R}$$
この簡易モデルは主要な関係だけを扱います。境界条件、損失、非線形性、規格上の補正は必要に応じて別途確認します。
読み取り方
主グラフで支配的な変化を見て、数値カードだけでは見落としやすい折れ点や飽和を確認します。
感度図では、余裕が急に小さくなる入力の組み合わせを探します。
初期設計では結果の絶対値より、どの入力が余裕を支配するかを重視します。
会話で学ぶ混同行列からの Precision・Recall・F1
🙋混同行列からの Precision・Recall・F1では、まずどこを見ればいいですか？真陽性 TPを動かすと図も数値も同時に変わるので、少し迷います。
🎓最初はPrecisionを見ます。ただし数字だけで判断せず、混同行列ヒートマップで前提の形や状態を確認し、Precision/Recall/F1で分布や変化の出方を合わせて読みます。主グラフで支配的な変化を見て、数値カードだけでは見落としやすい折れ点や飽和を確認します。
🙋真陽性 TPを大きくするとPrecisionが変わりそうなのは分かります。では、偽陽性 FPはどのくらい効いていると考えればいいですか？
🎓偽陽性 FPを少しずつ動かしてRecallの動きを見ると、支配している項が見えてきます。この簡易モデルは主要な関係だけを扱います。境界条件、損失、非線形性、規格上の補正は必要に応じて別途確認します。 1点の計算で終わらせず、実際にばらつきそうな範囲を往復させるのが大事です。
🙋TP/FP/FN感度図は何を見るための図ですか？普通のグラフだけでも判断できそうに見えます。
🎓TP/FP/FN感度図は、危険側に入る境界や、余裕が急に崩れる組み合わせを探すための図です。感度図では、余裕が急に小さくなる入力の組み合わせを探します。 例えば設計案の一次比較とレビュー前の論点整理では、単一点の値より「少し条件がずれたらどうなるか」が効きます。
🙋では、Precisionが基準内なら、この条件をそのまま採用してよいですか？
🎓ここでは初期検討として扱います。詳細解析に入る前の支配因子と危険側条件の絞り込みや教育・説明用に式、数値、可視化を同じ条件で確認には役立ちますが、最終判断では規格値、実測値、詳細解析、メーカー条件で確認してください。初期設計では結果の絶対値より、どの入力が余裕を支配するかを重視します。
実務での使い方
設計案の一次比較とレビュー前の論点整理。
詳細解析に入る前の支配因子と危険側条件の絞り込み。
教育・説明用に式、数値、可視化を同じ条件で確認。
よくある質問
PrecisionとRecallを先に見ます。次に混同行列ヒートマップで前提の状態を確認し、Precision/Recall/F1で分布や変化の偏りを読みます。主グラフで支配的な変化を見て、数値カードだけでは見落としやすい折れ点や飽和を確認します。
真陽性 TPを単独で動かしたあと、偽陽性 FPも同じ幅で動かしてPrecisionの変化量を比べます。TP/FP/FN感度図を見ると、どの組み合わせで余裕や性能が急に変わるかを把握できます。
設計案の一次比較とレビュー前の論点整理に使います。単一点の数値ではなく、入力範囲を少し広げてPrecisionの余裕が保てるかを確認すると、詳細解析へ進む前の論点整理に役立ちます。
この簡易モデルは主要な関係だけを扱います。境界条件、損失、非線形性、規格上の補正は必要に応じて別途確認します。最終判断では規格値、実測値、詳細解析、メーカー条件を確認してください。
使い方ガイド
- 混同行列の4値を入力：真陽性(TP)、偽陽性(FP)、偽陰性(FN)、真陰性(TN)を数値で指定
- 入力すると陽性予測値 Precision=TP/(TP+FP) が自動計算され、モデルの偽陽性率を確認できます
- 同時に再現率 Recall=TP/(TP+FN) が算出され、見落とした陽性サンプル比率を評価できます
- 調和平均 F1=2×Precision×Recall/(Precision+Recall) も自動表示され、全体性能を判定できます
- 特異度 Specificity=TN/(TN+FP) も併せて表示され、陰性判定の正確性を検証できます
具体的な計算例
医療診断モデルでガン検診スクリーニングの場合：TP=85(正しく陽性判定)、FP=15(誤検出)、FN=10(見落とし)、TN=890(正しく陰性判定)とすると、Precision=85/100=0.85、Recall=85/95≈0.89、F1スコア≈0.87、Specificity=890/905≈0.98。このモデルは高い特異度で陰性判定の信頼性は高いが、Precisionが85%のため不要な追加検査が15件発生します。
実務での注意点
- 不均衡データセット(クラス比が1:100など)ではAccuracyが高くてもRecallが低い場合がある—医療診断では偽陰性(FN)を最小化するためRecall優先が必須
- 詐欺検知では偽陽性(FP)削減が重要(Precision重視)、スパムフィルタではRecall重視など、ビジネス目的で指標の重み付けを変更
- F1スコアはPrecisionとRecallが同等重要な場合のみ採用—不均衡なコストがある場合は加重F1やマクロF1を検討
- テストセット規模が小さい(n<100)と信頼区間が広がるため、層化5分割交差検証で堅牢性を確認