再現率（Recall）とは

再現率（Recall）は、分類問題において実際に陽性である全サンプルのうち、モデルが正しく陽性と予測できた割合を示す評価指標です。感度（Sensitivity）や真陽性率（True Positive Rate）とも呼ばれ、「見落とし」の少なさを測定します。医療診断、セキュリティ、品質管理など、重要なケースを見逃すことが深刻な結果を招く分野において特に重視される指標で、適合率（Precision）と組み合わせてモデルの総合的な性能評価に使用されます。

背景と重要性

機械学習の分類問題では、予測の「正確性」だけでなく「完全性」も重要な評価要素です。特に、陽性ケースを見逃すことが大きなリスクや損失につながる場面では、どれだけ多くの真の陽性を検出できるかが成功の鍵となります。

再現率は、

• 検出の完全性評価
• 見落としリスクの定量化
• システムの信頼性確保

を可能にすることで、実用的で安全なAIシステムの構築に不可欠な指標として確立されています。特に、偽陰性（False Negative）のコストが高い場面において、その重要性が発揮されます。

主な構成要素

真陽性（True Positive, TP）

実際に陽性で、モデルも陽性と正しく予測したケースです。

偽陰性（False Negative, FN）

実際には陽性だが、モデルが陰性と誤って予測したケースです。

実際の陽性総数（Actual Positive Total）

データセット中の真の陽性サンプルの総数（TP + FN）です。

予測閾値（Prediction Threshold）

確率的出力を二値分類に変換する基準値です。

クラス定義（Class Definition）

多クラス問題における陽性クラスの定義です。

評価セット（Evaluation Set）

再現率を計算するためのデータセットです。

主な特徴

完全性重視

真の陽性をどれだけ漏らさずに検出できるかを測定します。

偽陰性感度

見落としのリスクを直接的に評価できます。

直感的理解

「検出率」として理解しやすい概念です。

再現率の計算方法

基本的な計算式

Recall = TP / (TP + FN)

混同行列を用いた計算

実際＼予測	Positive	Negative
Positive	TP	FN
Negative	FP	TN

再現率 = TP / (TP + FN)

実装例

# scikit-learn
from sklearn.metrics import recall_score
recall = recall_score(y_true, y_pred)

# 手動計算
tp = ((y_true == 1) & (y_pred == 1)).sum()
fn = ((y_true == 1) & (y_pred == 0)).sum()
recall = tp / (tp + fn)

多クラス分類での計算

Macro Recall（マクロ平均）：

各クラスの再現率を計算 → 単純平均

Micro Recall（ミクロ平均）：

全クラスのTP、FNを統合 → 全体で計算

Weighted Recall（重み付き平均）：

各クラスの再現率をサンプル数で重み付け平均

再現率の解釈と特性

値の範囲と意味

再現率の値	解釈	実用性
1.0 (100%)	完全検出（見落としなし）	理想的だが現実的でない
0.9-0.99 (90-99%)	高い検出性能	実用的な高性能
0.7-0.9 (70-90%)	良好な検出性能	多くの用途で実用的
0.5-0.7 (50-70%)	中程度の検出性能	改善が必要
< 0.5 (50%未満)	低い検出性能	実用に適さない

閾値との関係

低い閾値：

• 再現率が高くなる
• 偽陽性も増加
• より多くを陽性と判定

高い閾値：

• 再現率が低くなる
• 偽陽性は減少
• より厳格な陽性判定

再現率と適合率のトレードオフ

相補的な関係

指標	計算式	重視する観点	高める方法
再現率	TP/(TP+FN)	完全性・網羅性	閾値を下げる
適合率	TP/(TP+FP)	精密性・信頼性	閾値を上げる

F1スコアによる統合

F1-Score = 2 × (Precision × Recall) / (Precision + Recall)

ROC曲線とPR曲線

ROC曲線：

• 再現率 vs 偽陽性率
• バランスデータに適している

PR曲線：

• 再現率 vs 適合率
• 不均衡データに適している

実践的な再現率の活用

重要度によるクラス分類

高再現率が重要なケース：

• 医療診断（疾患の見逃し防止）
• セキュリティ（脅威の検知）
• 品質管理（不良品の発見）
• 検索システム（情報の取りこぼし防止）

適合率とのバランスが重要：

• スパムフィルタリング
• 推薦システム
• 一般的な分類問題

閾値最適化戦略

再現率優先戦略：

1. 低い閾値から開始
2. 再現率を目標値まで確保
3. その範囲で適合率を最大化

F1最適化戦略：

1. 様々な閾値でF1スコアを計算
2. 最大F1スコアの閾値を選択
3. 再現率・適合率のバランス確認

業務要件との対応

コスト考慮の最適化：

Cost = C_FN × FN + C_FP × FP
目的：コスト最小化

• C_FN: 偽陰性のコスト
• C_FP: 偽陽性のコスト

再現率向上の技術的手法

データレベルの改善

データ拡張

• 陽性サンプルの増加
• 多様性の向上
• 見落としパターンの学習

アンダーサンプリング/オーバーサンプリング

• クラス不均衡の調整
• SMOTE、ADASYNなどの手法

モデルレベルの改善

アンサンブル学習

• 複数モデルの組み合わせ
• 多様な視点からの検出
• 見落としリスクの分散

コスト考慮学習

• 偽陰性に重いペナルティ
• クラス重み付け
• カスタム損失関数

後処理による改善

予測確率の調整

• キャリブレーション
• 閾値の動的調整
• 条件付き予測

活用事例・ユースケース

再現率は様々な分野で重要な評価指標として活用されています。

医療診断

がん検診で、悪性腫瘍の見落としを最小化するため再現率を最優先に設定。

セキュリティシステム

不正アクセス検知で、攻撃の見逃しを防ぐため高い再現率を要求。

品質管理

製造業で不良品の検出において、市場流出防止のため再現率を重視。

情報検索

検索エンジンで関連文書の取りこぼしを最小化するため再現率を最適化。

推薦システム

ユーザーの関心アイテムを見逃さないよう、適度な再現率を維持。

学ぶためのおすすめリソース

書籍

「Pattern Recognition and Machine Learning」（Bishop）、「The Elements of Statistical Learning」（Hastie他）

オンラインコース

Coursera「Machine Learning」、edX「Introduction to Machine Learning」

実装ツール

scikit-learn、matplotlib、seaborn

論文

「The Relationship Between Precision-Recall and ROC Curves」、「Learning from Imbalanced Data」

よくある質問（FAQ）

Q. 再現率が1.0になるのはどんな場合ですか？
A. 全ての真の陽性を正しく検出した場合です。ただし、同時に偽陽性が多くなる可能性があります。

Q. 再現率と適合率のどちらを重視すべきですか？
A. 偽陰性のコストが高い場面では再現率、偽陽性のコストが高い場面では適合率を重視します。

Q. 多クラス分類での再現率はどう解釈しますか？
A. クラス別の再現率を個別に確認し、重要なクラスでの性能を重点的に評価します。

関連キーワード

適合率、F1スコア、感度、偽陰性、ROC曲線

まとめ

再現率は、分類問題における「完全性」を評価する重要な指標です。真の陽性をどれだけ見逃さずに検出できるかを測定し、特に偽陰性のコストが高い分野において必須の評価基準となっています。適合率との適切なバランスを保ちながら、問題の性質や業務要件に応じて最適化することで、実用的で信頼性の高いAIシステムの構築が可能になります。今後も、安全性と信頼性が重視されるAI応用において、重要な役割を果たし続けるでしょう。