DS検定 用語解説
特異度とは
実際に陰性のもののうち、陰性と正しく判定できた割合。実際に陽性のもののうち陽性を検出できた割合を表すRecallとは、着目する対象のクラスが逆になる。
まず押さえる結論
特異度は、DS検定の「第5章 データ準備・可視化技法とモデル化」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-12。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×標本誤差とサンプリングバイアスの混同。標本誤差は標本抽出に伴う偶然のばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差。
×過学習を『精度が高いこと』と誤解する。訓練データに過剰適合し未知データへの汎化性能が下がる問題として理解する必要がある。
×Precision（適合率）とRecall（再現率）の取り違え。目的（見逃しを減らしたいか、誤検知を減らしたいか）によって重視する指標が変わる。
関連する確認問題
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
誤答除外の観点から次のケースを検討する。実際に陰性の人を、正しく陰性と判定できた割合を評価したい。使う指標はどれか 他の候補が条件を満たさないことも確認して選べ。
誤答候補を役割ごとに除外すると「特異度」だけが条件を満たす。正解は「特異度」である。特異度は、実際には陰性であるデータのうち、モデルが正しく陰性と判定できた割合を表す分類評価指標である。RMSE、MAPE、決定係数は主に回帰モデルの予測誤差や当てはまりを評価する指標であり、陰性判定の正しさを直接表すものではない。設問では、評価対象が分類モデルであり、分母が実際の陰性、数える結果が正しく陰性とした件数だと読む。回帰評価指標を除外して特異度を選ぶ。分類か回帰かを最初に明確に分けると候補を絞りやすい。
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
分類モデルで、陰性を正しく陰性と判定できた割合を表す指標として正しいものはどれか。
正解は「特異度」である。特異度は、実際には陰性であるデータのうち、モデルが正しく陰性と判定できた割合を表す分類評価指標である。RMSE、MAPE、決定係数は主に回帰モデルの予測誤差や当てはまりを評価する指標であり、陰性判定の正しさを直接表すものではない。設問では、評価対象が分類モデルであり、分母が実際の陰性、数える結果が正しく陰性とした件数だと読む。回帰評価指標を除外して特異度を選ぶ。分類か回帰かを最初に明確に分けると候補を絞りやすい。
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
実際に陰性の人を、正しく陰性と判定できた割合を評価したい。使う指標はどれか。
この事例では、状況を表す条件を定義や役割へ対応させると「特異度」に絞れる。正解は「特異度」である。特異度は、実際には陰性であるデータのうち、モデルが正しく陰性と判定できた割合を表す分類評価指標である。RMSE、MAPE、決定係数は主に回帰モデルの予測誤差や当てはまりを評価する指標であり、陰性判定の正しさを直接表すものではない。設問では、評価対象が分類モデルであり、分母が実際の陰性、数える結果が正しく陰性とした件数だと読む。回帰評価指標を除外して特異度を選ぶ。分類か回帰かを最初に明確に分けると候補を絞りやすい。
同じ章で確認したい用語
到達チェック
- 特異度を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、特異度に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）