機械学習の評価指標・モデルとは？意味から使い分けまで解説！

「MAE・MSE・RMSEって何が違うの？」「混同行列の見方が複雑でよくわからない」「適合率と再現率、どっちを重視すればいいの？」

G検定を勉強していると、モデルの評価指標は種類が多くて混乱しやすい分野のひとつです。

特に分類の評価指標は「正解率・適合率・再現率・F値・AUC」と似たような言葉が並んでいて、それぞれの使い分けがわかりにくいでしょう。

本記事では、モデル評価の5ステップの流れから各評価指標の意味・使い分けまで、数式を使わずイメージで理解できるように解説します。

G検定頻出の確認問題も3問用意しているので、読み終わったら腕試しをしてみてください。

機械学習モデル作成の5ステップ

まず機械学習モデルを作るときの全体像を整理しておきましょう。モデル作成は大きく5つのステップで進みます。

データ収集 → 前処理 → 学習 → 評価 → 予測の流れ

料理に例えると、①材料を集めて（データ収集）、②下ごしらえをして（前処理）、③調理して（学習）、④味見をして（評価）、⑤料理として提供する（予測）、という流れです。

ステップ	内容	料理アナロジー
① データ収集	学習に使う生データを集める	材料を集める
② 前処理	欠損値の補完・正規化など	材料を洗って切る（下ごしらえ）
③ 学習	モデルにデータのパターンを学ばせる	実際に調理する
④ 評価	モデルが未知データにも正確に予測できるか確認する	味見をする
⑤ 予測	実際の問題に対してモデルを適用する	料理として提供する

なぜ「評価」のステップが重要なのか

モデルをいくら学習させても、それが「本当に使えるモデル」かどうかは別の話です。資格試験の勉強でいえば、過去問を解けるようになっても、本番の試験問題が解けなければ意味がないのと同じです。

モデルが学習データには高精度を出せても、それ以外のデータには全然使えない状態を「過学習（オーバーフィッティング）」といいます。評価のステップは、過学習していないか・未知のデータにも正しく予測できるか（汎化性能）を確かめるための重要なプロセスです。

具体的なアルゴリズム（線形回帰・決定木・アンサンブル学習など）については機械学習の教師あり学習とは？アルゴリズム6種類をわかりやすく解説もあわせてご覧ください。

汎化性能とは？データを学習用・検証用に分ける理由

訓練に使っていない未知のデータに対して、高い予測精度を発揮できる性質のことです。

過学習（オーバーフィッティング）が起きると何が問題か

過学習とは、訓練データには高い精度が出るのに、未知のデータには全然精度が出ない状態のことです。資格試験の過去問を完全に丸暗記した受験生のようなイメージを持ってください。

「過去問は完璧に解けても、少し形式が変わった本番問題は解けない」これが過学習です。

機械学習のゴールは「学習データを暗記すること」ではなく、「学習データから本質的なパターンを学び、新しいデータにも正確に対応できること（汎化）」です。

データを「学習用」と「検証用」に分ける理由

もし学習に使ったデータでそのまま評価をすると、モデルがすでに答えを知っているデータで採点することになります。これでは「本当に使えるモデルか」を判断できません。

そこで、データをあらかじめ2つに分けておきます。

	学習用データ（訓練データ）	検証用データ（テストデータ）
役割	モデルにパターンを学ばせる	学習後のモデルを評価する
割合の目安	70〜80%	20〜30%
注意点	—	評価が終わるまでモデルに見せない

機械学習の種類（教師あり・教師なし・強化学習など）についての基礎は機械学習とは？種類・仕組みをわかりやすく解説もあわせてご覧ください。

ホールドアウト法 vs 交差検証（クロスバリデーション）

データを学習用と検証用に分割する方法には、主に2種類あります。

ホールドアウト法：シンプルな一回分割

データを学習用と検証用に一度だけ分割して評価する手法です。

例：全データを「80%の学習用」と「20%の検証用」に分け、学習用でモデルを訓練したあと、検証用のデータでスコアを測る方法。

シンプルで計算が速いのがメリットですが、「たまたま難しいデータが検証用に集まった」「たまたま簡単なデータが学習用に多かった」という偶然の影響を受けやすいのがデメリットです。

交差検証（k-fold クロスバリデーション）：複数回分割でより安定した評価を

データをk個のグループに分割し、k回の学習・評価を繰り返して平均スコアで評価する手法です。

例：5-fold 交差検証の場合、データを5等分して、「1〜4番目で学習・5番目で評価」→「1〜3番目・5番目で学習・4番目で評価」→……と5回繰り返し、その平均スコアを最終的な評価値とします。

ホールドアウト法と比べて計算コストは高くなりますが、偶然の影響を平均化できるため、より安定した評価結果が得られます。

ホールドアウト法 vs 交差検証 比較表

	ホールドアウト法	交差検証（k-fold）
分割回数	1回	k回
計算コスト	低い	高い
評価の安定性	低い（分割次第で変わりやすい）	高い（平均化でブレを抑制）
向いているケース	データが大量にある場合	データが少ない場合

回帰の評価指標：MAE・MSE・RMSE

モデルが数値を予測する「回帰タスク」では、予測値と実際の正解値のズレ（誤差）を数値化して評価します。代表的な指標が MAE・MSE・RMSE の3つです。

MAE（平均絶対誤差）：誤差の絶対値の平均

全データの予測誤差の絶対値を足して、データ数で割った値です。

「平均でどれくらいズレているか」を直感的に把握しやすいのが特徴です。誤差をそのまま平均しているため、外れ値（極端に大きなズレ）の影響を受けにくいという長所があります。

MSE（平均二乗誤差）：誤差を二乗して平均

全データの予測誤差を二乗して足し、データ数で割った値です。

誤差を二乗するため、大きなズレには大きなペナルティが課されます。

外れ値の影響を強く受けるため、外れ値を重視した評価をしたいときに使います。一方、二乗しているため単位が元のデータと異なる（例：円 → 円²）というデメリットがあります。

RMSE（二乗平均平方根誤差）：MSEの平方根

MSEの平方根をとった値。単位が元のデータと同じになるです。

MSEの「単位が元データと違う」という問題を解消したのがRMSEです。

例えば売上高（円）を予測するモデルであれば、RMSEも「円」単位で表されるため、「平均で○○円ズレている」と解釈しやすくなります。実務では最もよく使われる回帰の評価指標です。

指標	計算方法	外れ値の影響	単位
MAE	誤差の絶対値の平均	小さい	元データと同じ
MSE	誤差の二乗の平均	大きい	元データの二乗
RMSE	MSEの平方根	大きい	元データと同じ

分類の評価指標①：混同行列（Confusion Matrix）

分類モデルの予測結果を「実際の正解」と「予測の結果」の組み合わせで整理した4マスの表です。

TP・FP・TN・FNの意味

混同行列は縦軸に「実際の値」、横軸に「予測の値」を取った2×2の表です。スパムメール判定を例に4つのマスを整理しましょう。

	予測：スパム（Positive）	予測：正常（Negative）
実際：スパム（Positive）	TP（真陽性） スパムをスパムと正しく判定 ✓	FN（偽陰性） スパムを正常と誤判定 ✗
実際：正常（Negative）	FP（偽陽性） 正常メールをスパムと誤判定 ✗	TN（真陰性） 正常メールを正常と正しく判定 ✓

4文字の意味はこのように分解できます。

• T（True）/ F（False）：予測が正しいか・間違いか
• P（Positive）/ N（Negative）：モデルが「陽性と予測した」か「陰性と予測した」か

正解率（Accuracy）とその限界

最もシンプルな評価指標が正解率（Accuracy）です。計算式は （TP + TN）÷ 全データ数 で、全体のうち正しく予測できた割合を示します。

ただし正解率には大きな落とし穴があります。たとえば「スパムメールが全体の1%しかない」という状況で「全部正常メールと判定する」モデルを作ると、正解率は99%になってしまいます。

これは明らかに使えないモデルですが、正解率だけ見ると高く見えるんですよね。

分類の評価指標②：適合率・再現率・F値

正解率の限界を補うために使われるのが、適合率・再現率・F値の3つです。

適合率（Precision）：陽性と予測したうち本当に陽性だった割合

計算式：TP ÷（TP + FP）。モデルが「陽性」と判定したデータのうち、実際に陽性だった割合です。

スパム判定で言えば「スパムと判定したメールのうち、本当にスパムだった割合」です。適合率を重視するのは、誤って陽性と判定してしまう（FP：偽陽性）コストが高い場面です。

例えば「重要なメールをスパムと誤判定して見落とす」リスクを避けたい場合は適合率を優先します。

再現率（Recall）：実際の陽性のうち正しく検知できた割合

計算式：TP ÷（TP + FN）。実際に陽性だったデータのうち、モデルが正しく「陽性」と判定できた割合です。

スパム判定で言えば「実際のスパムメールのうち、スパムと正しく検知できた割合」です。再現率を重視するのは、陽性を見落とす（FN：偽陰性）コストが高い場面です。

例えば、がん検診では「本当にがん患者なのに陰性と判定してしまう」ミスが大きなリスクになるため、再現率（見落としをなくすこと）を最優先にします。

適合率と再現率のトレードオフ

適合率と再現率には、一方を上げると一方が下がるというトレードオフの関係があります。モデルの判断基準（閾値）を変えることで調整できます。

• 閾値を下げる（陽性と判定しやすくする）→ 再現率↑：適合率↓
• 閾値を上げる（陽性と判定しにくくする）→ 適合率↑：再現率↓

どちらを優先するかはビジネス上の目的によって異なります。がん検診なら再現率優先、クレジットカード不正検知で精度を求めるなら適合率優先、というように使い分けます。

F値：適合率と再現率を両方考慮した指標

適合率と再現率の調和平均。両方をバランスよく評価したい場合に使う指標です。

どちらか一方だけを見るのではなく、適合率と再現率を同時に考慮したい場面で使います。F値が高いほど、どちらの指標も高い水準でバランスが取れていることを意味します。

分類の評価指標③：ROC曲線とAUC

ROC曲線：閾値を変化させたときの「真陽性率」と「偽陽性率」の変化をグラフ化したものです。

ROC曲線の読み方

ROC曲線は、縦軸に真陽性率（再現率）、横軸に偽陽性率（1 − 特異度）を取ったグラフです。閾値を0から1まで変化させたときに、モデルがどのような性能変化をするかを可視化します。

• 曲線が左上に近いほど性能が高いモデル
• 対角線（右下に伸びる直線）はランダム予測と同等の性能
• 対角線より下回るモデルは、ランダムより悪い予測をしている

AUC（Area Under the Curve）：ROC曲線の下の面積

ROC曲線の下の面積。0〜1の値を取り、1に近いほど性能が高いモデルです。

AUCの値は以下のように解釈できます。

• AUC = 1.0：完璧なモデル（全データを正しく分類）
• AUC = 0.5：ランダム予測と同等（まったく学習できていない）
• AUC ＜ 0.5：ランダムより悪いモデル

モデル選択の基準：AIC・BIC・オッカムの剃刀

複数のモデルを比べて「どちらがより良いモデルか」を判断するための指標が AIC と BIC です。その背景にある考え方が「オッカムの剃刀」です。

オッカムの剃刀：シンプルなモデルを好む原則

同じ精度なら、より少ないパラメータ・シンプルな構造のモデルを選ぶべきという原則です。

複雑すぎるモデルは訓練データに過剰適合（過学習）しやすく、未知データへの汎化性能が落ちます。精度が同じなら、シンプルなモデルのほうが汎化性能が高い傾向にあります。

AIC（赤池情報量基準）

モデルの当てはまりの良さとパラメータ数のトレードオフを数値化した指標。値が小さいほど良いモデルです。

AICはモデルの「予測精度（尤度）」を評価しつつ、パラメータ数に対してペナルティを課します。精度が高くてもパラメータが多すぎるモデルはAICが大きくなり、選ばれにくくなります。汎化性能（未知データへの予測精度）を重視した指標です。

BIC（ベイズ情報量基準）

AICよりもパラメータ数へのペナルティが大きく、モデルの単純さをより重視する指標。値が小さいほど良いモデルです。

BICのペナルティはデータ数が多くなるほど大きくなる設計になっています。大量データがある場合に、より単純なモデルを選ぶ傾向が強くなります。

	AIC	BIC
良いモデルの基準	値が小さいほど良い	値が小さいほど良い
パラメータへのペナルティ	小さい（一定）	大きい（データ数に比例して増加）
重視するもの	予測精度（汎化性能）	モデルの単純さ
向いているケース	予測モデルの選択	データ数が多い場合のモデル選択

G検定頻出 確認問題3問に挑戦

ここまで学んだ内容をG検定形式の問題で確認しましょう。まず自分で考えてから答えを見てみてください。

問題1：データ分割の目的

機械学習モデルを訓練データとは別に用意した検証用データで評価する主な理由はどれか。

• A. 計算コストを削減するため
• B. 訓練データを増やすため
• C. 未知のデータに対する汎化性能を測るため
• D. モデルのパラメータ数を減らすため

問題2：再現率を重視すべきケース

疾患のスクリーニング検査で「陽性患者を見逃さないこと」を最優先にする場合、最も重視すべき評価指標はどれか。

• A. 正解率（Accuracy）
• B. 適合率（Precision）
• C. 再現率（Recall）
• D. AIC

問題3：AICについて正しくない説明

AIC（赤池情報量基準）についての説明として、正しくないものはどれか。

• A. AICはモデルの当てはまりの良さとパラメータ数のトレードオフを数値化したものである
• B. 複数のモデルを比較する場合、AICが小さいほど良いモデルと判断される
• C. AICはパラメータ数が多いモデルに対してペナルティを課す
• D. AICは値が大きいほど良いモデルと判断される

確認問題で引っかかったところは、本文の該当セクションに戻って復習しておきましょう。

さらに多くの問題で実力を試したい方には、「G検定対策チェックリスト」を無料でプレゼントしています。解説付きのチェックリストで本番前の総仕上げにご活用ください。

機械学習の評価指標・モデルの整理表：まとめ

今回学んだ評価指標を一覧表で整理しておきましょう。

評価指標	タスク	G検定で押さえるポイント
MAE	回帰	誤差の絶対値の平均。外れ値の影響を受けにくい
MSE	回帰	誤差の二乗の平均。大きなズレにペナルティ。単位が元データの二乗
RMSE	回帰	MSEの平方根。単位が元データと同じで実務でよく使われる
正解率（Accuracy）	分類	不均衡データでは信頼できない
適合率（Precision）	分類	TP ÷（TP + FP）。誤検知（偽陽性FP）を減らしたいとき優先
再現率（Recall）	分類	TP ÷（TP + FN）。見落とし（偽陰性FN）を減らしたいとき優先（がん検診など）
F値	分類	適合率と再現率の調和平均。バランス重視
AUC	分類	ROC曲線の下の面積。0.5 = ランダム・1.0 = 完璧。閾値によらない総合評価
AIC・BIC	モデル選択	値が小さいほど良いモデル。BICはパラメータへのペナルティが大きい

G検定のさらなる学習ステップは【10日間で合格】G検定の学習ロードマップ4ステップで確認しましょう。

G検定対策チェックリスト（無料プレゼント）

今回、本記事を読んで「最短最速でG検定に合格したい」と思ってくれた方のために、「G検定対策チェックリスト」を無料でプレゼントしています。

受け取り方は、以下の画像をタップして、メールマガジンに登録ください。