G検定 用語解説
混同行列とは
予測結果と実際の値を、真陽性・偽陽性・真陰性・偽陰性の4区分で整理した表。正解率・適合率・再現率などの評価指標を計算する土台になる。
まず押さえる結論
混同行列は、G検定の「大項目3 機械学習の概要」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: 2026-07-03。
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
×教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
×L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
×適合率（精度）と再現率の取り違え、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / モデルの評価と過学習
品質検査モデルの正検出、見逃し、誤警報、正しい除外を一つの表へまとめたい。この表はどれか。
この事例では「予測と実績を陽性・陰性で交差集計するか」を確認すると、混同行列に絞れる。正解は「混同行列」である。分類モデルの予測結果と実際の正解の組み合わせ（真陽性・偽陽性・偽陰性・真陰性）を表の形にまとめたもので、適合率（精度）や再現率、正解率などを計算するもとになる。散布図は2変数の関係を点で示す可視化、ヒストグラムはデータの分布を棒状に示す可視化であり、いずれも予測と正解の組み合わせを集計する表ではない。決定木は分類を行う手法自体であり、分類結果の内訳をまとめる評価の表ではない。「真陽性・偽陽性・偽陰性・真陰性」「適合率や再現率を求めるもと」という条件が混同行列の目印になる。
大項目3 機械学習の概要 / モデルの評価と過学習
分類器のしきい値を変えてROC曲線を描き、その下の面積でモデルを比較した。この指標はどれか。
この事例では「ROC曲線下の面積で分類性能を評価するか」を確認すると、AUCに絞れる。AUCが他の3つと違うのは、しきい値を1つに固定せずに評価できる点にある。F値と正解率はどちらも、ある1つのしきい値で分類した結果から求まる単発の数値であり、しきい値を変えたときの挙動全体までは表さない。混同行列も特定のしきい値における予測と実際の組み合わせを整理した表にとどまる。AUCはしきい値を動かしながら描いたROC曲線の下側の面積として求まるため、しきい値の選び方に左右されにくいモデル全体の識別性能を1つの数値で表せる指標として使われる。
大項目3 機械学習の概要 / モデルの評価と過学習
感染判定モデルについて、感染者の検出・見逃しと非感染者の誤検出・正しい除外を整理する表はどれか。
この事例では「実際と予測を陽性・陰性の四区分で示すか」を確認すると、混同行列に絞れる。正解は「混同行列」である。分類モデルの予測結果と実際の正解の組み合わせ（真陽性・偽陽性・偽陰性・真陰性）を表の形にまとめたもので、適合率（精度）や再現率、正解率などを計算するもとになる。散布図は2変数の関係を点で示す可視化、ヒストグラムはデータの分布を棒状に示す可視化であり、いずれも予測と正解の組み合わせを集計する表ではない。決定木は分類を行う手法自体であり、分類結果の内訳をまとめる評価の表ではない。「真陽性・偽陽性・偽陰性・真陰性」「適合率や再現率を求めるもと」という条件が混同行列の目印になる。
同じ章で確認したい用語
到達チェック
- 混同行列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、混同行列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）