適合率とは？Precision・陽性予測の正しさ

適合率（Precision）は、モデルが「陽性」と予測したもののうち、実際に陽性だった割合です。本記事は公式の暗記だけでなく、試験で問われる混同行列の読み方・偽陽性との関係・再現率との使い分けに焦点を当てます。

試験で問われる見方

適合率は陽性予測の精度。偽陽性（誤検知）が問題になる場面で重要（G-056の混同行列文脈）。

不均衡データでは正解率だけでは不十分で、適合率・再現率・F1を併用（G-064）。

演習で確認する

	予測：陽性	予測：陰性
実際：陽性	真陽性（TP）	偽陰性（FN）
実際：陰性	偽陽性（FP）	真陰性（TN）

適合率は予測が陽性だった列（TP＋FP）のうち TP の割合です。

適合率＝ TP ÷ (TP ＋ FP)

「陽性と判定したもののうち、何割が本当に陽性か」を測ります。FP が多いと適合率は下がります。

誤検知のコストが高いときに適合率を重視します。例：迷惑メール判定で正常メールをスパムにしない、不正検知で善良ユーザーをブロックしない、など。

見逃しを減らしたい場合は再現率を重視（G-084）。

適合率と正解率は同じ？

違います。正解率は全体の正解割合、適合率は陽性予測に限定した指標です。

閾値を変えると？

分類の閾値を動かすと適合率と再現率はトレードオフになります（ROC曲線の文脈）。