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。
適合率とは
適合率（Precision）とは、機械学習の二値分類タスクにおいて、予測モデルが「陽性（正）」と判定したもののうち、実際にどれだけ正しく陽性であったかを示す割合のことです。一言でいうと「モデルの予測がどれだけ正確で無駄がないか」を測るための評価指標です。
詳しく解説
適合率は、機械学習におけるモデルの性能評価で広く用いられます。混同行列（Confusion Matrix）における「真陽性（True Positive: TP）」と「偽陽性（False Positive: FP）」を用いて、「真陽性 / (真陽性 + 偽陽性)」という数式で定義されます。この指標の目的は、誤検出（陽性ではないものを陽性と誤判定すること）の少なさを評価することにあります。例えば、誤判定によるコストやユーザーの不快感が大きいシステムにおいて、この適合率を高く維持することが極めて重要となります。
具体例・使われ方
具体的な例として、メールフィルタリングにおける「スパムメールの検出」が挙げられます。もし重要なビジネスメールをスパム（陽性）と誤判定してゴミ箱に入れてしまうと大問題になります。このように「偽陽性を徹底的に排除したい」場面では、適合率の高さが最優先の評価基準となります。また、医療における精密検査のスクリーニングや、誤診を避けたいAI診断支援システムなどでも重視されます。
似た用語との違い
適合率と最も混同されやすい指標が再現率（Recall）です。再現率は「実際に陽性であるデータのうち、モデルが漏れなく陽性と予測できた割合」を示します。また、正解率（Accuracy）は「陽性・陰性を問わず、すべてのデータに対してどれだけ正しく予測できたか全体の割合」を指します。適合率は「予測の正確さ」に焦点を当てるのに対し、再現率は「拾い上げの網羅性」に焦点を当てる点が異なります。
注意点
適合率だけを極端に高めようとすると、モデルは「100%確実に陽性である」と確信できる極めて少数のデータだけを陽性と判定するようになり、多くの陽性データを見落とす（再現率が低下する）という問題が生じます。このように適合率と再現率はトレードオフの関係にあるため、実務では双方の調和平均をとった指標であるF値などを併せて確認し、総合的にモデルを評価する必要があります。