使い方
- 1 つの 2 値分類結果から、TP・FP・TN・FN を入力します。
- 必要なら陽性・陰性ラベルを、自分のデータに合わせた言い方へ変更します。
- 適合率と再現率を並べて見て、誤検知を減らしたいのか、見逃しを減らしたいのかを確認します。
Wave 6 classification metrics
1 つの閾値で陽性クラスをどう扱えているかを見る
混同行列全体を読むより、まず陽性クラスの指標に集中したいときの軽量ページです。ROC AUC のような閾値スイープよりも、今の運用点の説明に向いています。
入力
計算すると、適合率・再現率・F1 を確認できます。
適合率と再現率は、見ている方向が違います
適合率は「陽性と予測したものの中で、どれだけ正しかったか」を見ます。再現率は「実際の陽性をどれだけ拾えたか」を見ます。閾値を下げると再現率は上がりやすい一方で、誤検知が増えて適合率は下がりやすくなります。
このページに向いている場面
すでに 1 つの運用閾値を選んでいて、その時点の見逃しと誤検知のバランスを説明したいときに向いています。モデルレビュー、スクリーニング基準、運用ルールの見直しなどで使いやすい構成です。
ROC AUC へ進む場面
ROC AUC は、閾値そのものをまだ決めていないときに使います。今の運用点を点検するならこのページ、閾値候補全体を比べるなら ROC AUC、という使い分けが自然です。
よくある質問
ROC AUC ではなく、このページを使うのはどんなときですか？
すでに 1 つの閾値が決まっていて、その時点の適合率・再現率・F1 を確認したいときに使います。ROC AUC は、閾値を決める前にスコア全体の並びや閾値ごとの変化を見るページです。
なぜ再現率が上がると適合率が下がることがあるのですか？
閾値を下げると、より多くのケースを陽性と判定しやすくなります。その結果、実際の陽性を拾いやすくなって再現率は上がりますが、誤検知も増えやすく、適合率は下がることがあります。
F1 は適合率と再現率に何を付け加えますか？
F1 は適合率と再現率の調和平均です。どちらか一方が低いと全体も下がるため、陽性クラスの性能を 1 つの数値でまとめて比較したいときに便利です。
共有 URL に件数やラベルは含まれますか？
含まれません。共有 URL には小数桁数などの軽い設定だけを入れ、件数やラベルはブラウザ内に残します。
関連
コメント（任意）
表示負荷を抑えるため、コメントは必要時のみ読み込みます。