偽陽性率
偽陽性率（FPR）とは、実際には陰性であるデータのうち、誤って陽性と判定されてしまった割合を示す評価指標です。機械学習モデルの性能評価や二値分類において、誤検知の多さを測定するために用いられ、安全性の確保や運用コストの削減において重要な意味を持ちます。
評価指標のAI用語一覧
37件評価指標に関するAI用語を37件掲載しています。意味や使い方、関連用語を一覧から確認できます。
ROC曲線
ROC曲線（受信者動作特性曲線）とは、機械学習の二値分類モデルにおいて、分類の基準となる閾値を変化させたときの分類性能を視覚的に表現したグラフです。縦軸に真陽性率、横軸に偽陽性率をプロットして描き、モデルの識別能力を評価する指標として広く用いられます。曲線が左上に近いほど、モデルの分類精度が高いことを示します。
再現率
再現率は、機械学習モデルが実際の正解データのうち、どれだけ多く見逃さずに予測できたかを示す評価指標です。異常検知や医療診断など、見落としが重大な損失につながる場面で特に重視されます。
平均絶対誤差
平均絶対誤差（MAE）とは、機械学習の回帰モデルにおいて予測値と実際の値のズレ（誤差）の絶対値を平均した評価指標です。実際の単位と同じ尺度で誤差の大きさを直感的に把握できる特徴があります。外れ値の影響を受けにくく、予測精度を客観的に評価する損失関数や指標として広く利用されています。
偽陰性
偽陰性（False Negative）とは、機械学習の二値分類において、実際には「陽性（正）」である対象を、モデルが誤って「陰性（負）」と予測してしまう判定エラーのことです。病気の検査で「罹患している（陽性）」患者を「健康（陰性）」と誤診するケースなどが該当し、見落としによる重大なリスクにつながるため、評価指標の再現率などで重要視されます。
真陽性
真陽性（True Positive）とは、二値分類モデルなどの評価において、実際に「陽性（正）」である対象をモデルが正しく「陽性」と判定できた状態のことです。例えば、病気の検査において、実際に罹患している患者に対して正しく「陽性」の判定を下せた場合がこれに該当し、モデルの分類精度や再現率（感度）などを測るための極めて重要な基礎指標となります。
混同行列
混同行列とは、機械学習の分類モデルが予測した結果と実際の正解データを比較し、パフォーマンスを視覚的かつ定量的に評価するための表です。予測結果を真陽性や偽陽性などのカテゴリに分類して集計することで、モデル全体の精度だけでなく、どのクラスをどのように間違えたかという詳細な傾向を分析できます。
再現性
AIの再現性とは、同じデータや条件を用いて学習や推論を行った際、何度実行しても同じ結果や同等の性能が得られる性質を指します。機械学習モデルの開発や科学的検証において信頼性を担保するために非常に重要な要素であり、乱数の固定などが対策として用いられます。
汎用的な予測精度
汎用的な予測精度とは、AIモデルが過去の学習データだけでなく、未知の新しいデータに対しても正確な予測を出せる能力のことです。機械学習の実運用において、未知データへの対応力やモデルの信頼性を測るための重要な指標となります。
精度
AIや機械学習モデルが予測や分類をどれほど正しく行えているかを示す指標です。一般的に精度が高いほど、モデルの信頼性や性能が優れていると判断されますが、評価するデータの偏りや目的に応じて適切な指標を選ぶ必要があります。
適合率
適合率とは、機械学習の分類モデルにおける評価指標の一つで、モデルが「陽性」と予測したデータのうち、実際に陽性であったデータの割合を示します。偽陽性（誤検出）を減らしたい状況で特に重要視される指標であり、スパムメール判定や誤検知が許されない推薦システムなどで活用されます。再現率など他の指標とバランスを取ることが重要です。
予測精度
予測精度とは、機械学習モデルが未知のデータに対してどの程度正確に予測を行えるかを示す指標です。AIモデルの性能評価や実用性の判断において極めて重要な役割を果たしますが、データの偏りや過剰適合に注意する必要があります。
正解率
正解率（Accuracy）とは、機械学習モデルの予測のうち、実際に正しく分類できたデータの割合を示す代表的な評価指標です。全体の中でどれだけ正確に予測できたかを直感的に表せるため、画像分類やテキスト分類など幅広いタスクで活用されます。ただし、データのクラス均衡が偏っている場合にはモデルの性能を正しく評価できない点に注意が必要です。
偽陽性
偽陽性とは、実際には陰性であるデータや状態を、機械学習モデルや検査などが誤って陽性と判定してしまう現象のことです。統計的仮説検定における第一種過誤とも呼ばれ、AIシステムの精度評価や信頼性を測る上で極めて重要な指標となります。
パープレキシティ
パープレキシティとは、大規模言語モデルなどの確率モデルがテキストの次に続く単語をどれだけ正確に予測できるかを示す評価指標です。値が低いほどモデルの予測性能が高く、自然言語処理モデルの精度比較や性能評価において重要な役割を果たします。
精度評価
精度評価とは、AIモデルや機械学習モデルが構築した予測や判断が、どれほど正確であるかを客観的な指標を用いて測定するプロセスです。未知のデータに対する予測性能を正しく把握し、モデルの改善や実用性の判断を行う上で不可欠な工程となります。
AUC
AUC（Area Under the Curve）とは、機械学習の二値分類モデルの性能を評価する指標の一つです。ROC曲線の下側の面積の大きさを表し、0.0から1.0までの値をとります。値が1.0に近いほど予測モデルの識別能力が高いことを示します。判定の閾値に依存せず、不均衡データでも安定して性能を評価できる特徴があります。
調和平均
調和平均は、比率や速度の平均を算出する際に用いられる統計的な手法です。AI分野では特に、モデルの性能を評価するF1スコアの計算において、適合率と再現率のバランスを正確に捉えるために不可欠な役割を果たします。
Pass@k
Pass@kとは、生成AIや大規模言語モデルが問題を解決する精度評価の指標です。1つの課題に対してモデルがk個の回答を生成した際、その中に少なくとも1つ以上の正しい回答が含まれている確率を示します。主にコード生成AIの性能評価やベンチマークテストで用いられ、モデルの潜在的な回答能力を計測するのに役立ちます。
真陽性率
真陽性率（TPR）とは、機械学習の評価指標の一つで、実際に陽性であるデータのうち、モデルが正しく陽性と予測できた割合を示すものです。別名「再現率」や「感度」とも呼ばれます。がん診断や不正検知など、見落としが重大な損失に繋がるシステムにおいて、モデルの検出能力を測るための極めて重要な基準となります。
F値
F値とは、機械学習の分類モデルの性能を評価するための指標の一つです。適合率と再現率の調和平均として計算され、両者のバランスを考慮しながらモデルの精度を総合的に評価したい場合に広く用いられます。
F1値
F1値とは、AIや機械学習モデルの予測精度を評価するための指標の一つです。特に「正解率」と「再現率」という2つの相反する指標のバランスを重視し、両者の調和平均をとることで、偏りのない総合的な性能を1つの数値で分かりやすく示します。
感度
感度（再現率）とは、評価対象のデータのうち「真に陽性（正）であるもの」に対して、モデルが正しく「陽性」と予測できた割合を示す指標です。医療診断や異常検知など、判定の「見落とし」を最小限に抑えたい場面において、モデルの性能を評価する重要な基準として広く用いられています。
チューリング・テスト
チューリング・テストとは、イギリスの数学者アラン・チューリングが提唱した、機械が人間と同等の知能を持つかどうかを判定するためのテストです。人間の判定者がテキスト対話を通じて相手が人間か機械かを見分けられない場合、その機械は知能を有するとみなします。AIの歴史における基本的な概念であり、人工知能の到達点を議論する基準として重要視されています。