混同行列

📖 もうちょい詳しく

何が新しいの？

分類するAIの良し悪しは、もともと「正解率」という1つの数字でよく語られてきました。でも正解率だけでは、どんな間違い方をしているのかが見えません。混同行列（こんどうぎょうれつ）は、当たりと外れの中身を表のかたちで分けて見せる道具です。

どうやって動いてるの？

AIに「これは迷惑メールか、ふつうのメールか」を判定させると、答えは「正解と予測が合っているか」で4種類に分かれます。実際に迷惑メールを迷惑と当てた数、ふつうをふつうと当てた数、そして取りこぼした数や、間違って迷惑と判定した数。この4つを縦に正解・横に予測でならべた表が混同行列です。

何ができるの？

表を見れば「正解率は高いけれど、迷惑メールを見逃しがち」といった偏りに気づけます。ここから適合率や再現率といった、より細かい指標も計算できます。どこを直せば実用に近づくかの手がかりになります。

🌱 身近なたとえ

健康診断の結果表で例えると分かりやすいです。「病気の人を病気と判定」「健康な人を健康と判定」は当たりです。一方で「病気を見逃した」「健康な人を病気あつかいした」は外れです。この4マスを表にして、どのマスが多いかを見るのが混同行列です。見逃しが多いのか、空振りが多いのか、ひと目で分かります。

✅ まず覚えるポイント

• 分類AIの「当たり外れの中身」を表にしたものです
• 縦に正解、横に予測をならべるのが基本です
• マスは「真陽性・真陰性・偽陽性・偽陰性」の4つに分かれます
• 正解率だけでは見えない、間違いの偏りが分かります
• 適合率や再現率を計算するもとになります
• 2分類だけでなく、3種類以上の分類にも使えます

🧭 よくある勘違い

正解率が高ければ混同行列は見なくていい？

正解率が高くても安心はできません。たとえば迷惑メールが全体の1割しかない場合、すべて「ふつう」と答えるだけで正解率は9割になります。でもそれでは迷惑メールを1通も止められていません。混同行列を見ると、こうした見かけだおしに気づけます。

偽陽性と偽陰性は同じくらい悪いもの？

場面によって重さが変わります。病気の見逃し（偽陰性）は命にかかわる一方、健康な人を要再検査にする（偽陽性）は手間で済むことが多いです。どちらをより避けたいかは目的しだいで、混同行列はその判断材料になります。

🧩 関連して覚えると楽な言葉

• 分類（classification）: データをいくつかのグループに振り分ける、混同行列が活躍する場面です。
• 機械学習（machine-learning）: データから規則を学ぶしくみで、その成績を測るのに混同行列を使います。
• 過学習（overfitting）: 学習データに合わせすぎる失敗で、混同行列の偏りから気づけることがあります。
• 交差検証（cross-validation）: データを分けて何度も評価する方法で、混同行列とあわせて使われます。

🏁 ひとことでまとめ

混同行列は、AIの予測がどこで当たり、どこで外したかを4マスに整理して見せてくれる表です。