適合率と再現率のトレードオフ（閾値調整）

Precision-Recall Trade-off / Threshold Tuning てきごうりつとさいげんりつのとれーどおふ

最頻出 ⚪ 旧用語テクノロジ系新しい技術

意味・解説

AIの分類において、判定の「しきい値（閾値）」を変えることで、適合率（正確さ）と再現率（網羅性）のどちらを優先させるかを選択する関係性のこと。

閾値を上げると「確実に陽性のもの」だけを判定するため適合率は上がるが、見逃し（再現率の低下）が増える。逆に下げると見逃しは減るが、誤検知（適合率の低下）が増える。PR曲線でこの関係が可視化される。

「AIという『門番』の厳しさを調整し、『怪しい奴を絶対に通さない』か、『無実の人を絶対に止めない』か、どちらに比重を置くか決めること」です。

1.閾値（Threshold）:

AIが『陽性である確率』を出した際、それを0.5で区切るか、0.9で厳しく区切るかという基準。

2.実務上の判断:

がん診断なら『見逃し厳禁』なので再現率を優先（閾値を下げる）。スパムメール判定なら『大事なメールを誤削除したくない』ので適合率を優先（閾値を上げる）。ポイントは、AIモデルを一つ作っても、この閾値調整という『最後の味付け』をビジネスの目的に合わせなければ、現場では役に立たないからです。

クレジットカードの不正利用検知システムにおいて、実害を防ぐために閾値を下げ、適合率を犠牲にしてでも再現率を最大化する設定を採用した。

同義語: 閾値の最適化 / 分類境界の調整

分類: 機械学習モデルの運用最適化