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。
正解率とは
正解率（Accuracy）とは、機械学習モデルが入力データに対して予測した結果のうち、全体の何割が正解であったかを示す最も基本的な評価指標です。
詳しく解説
機械学習における正解率は、全予測データ数に対する「正解と予測した正例（真陽性）」および「不正解と予測した負例（真陰性）」の合計の割合で算出されます。数式では「(真陽性 + 真陰性) / 全データ数」で表現されます。モデルの全体的な分類性能を1つの数値で直感的に把握できるため、モデル開発の初期段階や基準の策定でよく利用されます。しかし、データの偏りがある場面では評価指標としての信頼性が下がるため、分類タスクの目的に応じて適切な指標を選択することが重要です。
具体例・使われ方
例えば、手書き数字の画像を10個のクラスに分類するモデルにおいて、1000枚の画像を入力して950枚を正しく識別できた場合、正解率は95%となります。また、メールがスパムメールか通常メールかを判定する分類モデルの性能を簡単に確認する際にも用いられます。
似た用語との違い
混同されやすい指標に適合率や再現率があります。正解率が全データに対する正解の割合を表すのに対し、適合率はモデルが正と予測したデータの中で実際に正しかった割合を示します。一方、再現率は実際の正データのうち、モデルが漏らさず正と予測できた割合を示します。また、クラスごとの評価を総合的に扱うF1スコアや、混同行列を用いてこれらの指標を算出・比較することで、正解率だけでは見えない性能を詳細に分析できます。
注意点
正解率の最大の限界は、データの偏り（クラス不均衡）が存在する場合の不適切さです。例えば、99%が正常なデータで1%だけが異常なデータにおいて、常に正常と予測する極端なモデルでも正解率は99%になってしまいます。この場合、モデルは異常を検出できていないにもかかわらず高評価に見えてしまいます。そのため、不均衡データや過誤のコストが異なるタスクでは、正解率だけに依存せず他の評価指標を組み合わせて判断する必要があります。