DS検定 用語解説
Precisionとは
陽性と予測したもののうち、実際に陽性だった割合。
まず押さえる結論
Precision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
実際には正である対象のうち、分類モデルが正であると判定できた対象の割合を表す指標はどれか。
正解は「Recall」である。Recallは実際に正である対象のうち、分類モデルが正であると判定できた対象の割合を表す指標である。Precisionはモデルが正と判定した対象のうち実際に正であった対象の割合であり、注目する分母が異なる。Accuracyは全ての対象のうち正しく判定できた割合を表すため、実際に正である対象だけに焦点を当てない。MAEは回帰の予測値と実測値の差を絶対値で評価する指標である。見逃しをどれだけ抑えられたかを考えるときは、実際に正である対象を分母にするRecallを確認する。したがってRecallを選ぶ。
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
分類モデルが判定した全100件のうち、正しく分類できた件数が何件かという割合でモデル全体の正しさを評価したい。使う指標はどれか。
正解は「Accuracy」である。Accuracyは、分類した全件のうち正しく分類できた件数の割合を表す指標である。設問では陽性・陰性の一方だけに注目せず、全100件を分母として正解した件数を評価するためAccuracyを使う。Precisionは正と予測した対象のうち実際にも正だった割合、Recallは実際に正である対象のうち正と判定できた割合、特異度は実際に負である対象のうち負と判定できた割合である。分母が全件か、予測陽性か、実際の陽性・陰性かを確認して区別する。
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
二値分類の結果がTP=30、FP=10、FN=20、TN=40だった。正と予測した中の正解割合Precisionと、実際の正を拾えた割合Recallの組み合わせはどれか。
正解は「Precision=0.75、Recall=0.60」である。Precisionは正と予測したTP+FPを分母にするため、30÷(30+10)＝30/40＝0.75となる。Recallは実際に正であるTP+FNを分母にするため、30÷(30+20)＝30/50＝0.60となる。0.60と0.75を逆にした選択肢は分母を取り違えている。0.70は(TP+TN)/全件数で求めるAccuracy、0.80はTN/(TN+FP)で求める特異度であり、Precision・Recallとは対象が異なる。同じTP=30を分子にしても、偽陽性を含む予測正40件か、偽陰性を含む実際正50件かで分母が変わることを確認する。
同じ章で確認したい用語
到達チェック
- Precision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、Precision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）