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
データを複数のグループに分割し、一部を検証用・残りを訓練用として役割を入れ替えながら学習と評価を繰り返すことで、汎化性能を安定して見積もる手法はどれか。
正解は「交差検証」である。分割した各グループの役割を入れ替えて評価を繰り返すのは交差検証。ホールドアウト法はデータを訓練用とテスト用に一度だけ分ける方法で、役割を入れ替えて繰り返すことはしない。混同行列は分類結果を表にまとめた評価ツール。正則化は過学習を抑える手法であり、いずれも評価の繰り返し手順ではない。「分割」「役割を入れ替える」「繰り返す」が交差検証の判断材料になる。一度の分割結果に依存しにくくするため、複数回の評価を平均的に見る手法だと押さえる。
大項目3 機械学習の概要 / モデルの評価と過学習
二値分類において、適合率（精度）と再現率の調和平均をとり、両者のバランスを一つの数値で表したものはどれか。
正解は「F値」である。適合率と再現率の調和平均で両者のバランスを表すのはF値。正解率は全体のうち正しく予測できた割合で、適合率と再現率の調和平均ではない。混同行列は予測と実際の対応を整理した表そのもの。ROC曲線は閾値を変えたときの検出性能を描いた曲線であり、調和平均を表す単一の指標ではない。「適合率と再現率の調和平均」という定義がそのままF値を指す。片方だけが高い分類器を過大評価しないため、両者を同時に見る指標として使われる。特に不均衡データでは正解率だけでは性能を読み誤るため、F値が問われやすい。
大項目3 機械学習の概要 / モデルの評価と過学習
分類モデルの評価で、予測した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、適合率や再現率を求めるもとになるものはどれか。
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）