再現率（Recall）とは、実際に陽性であるデータのうち、AIや機械学習モデルが正しく陽性として見つけられた割合を表す評価指標です。
初心者向けに言い換えると、「見つけるべきものを、どれだけ取りこぼさず見つけられたか」を見る数字です。
たとえば、実際には不良品が20個あり、AIがそのうち18個を不良品として発見できた場合、再現率は90％です。
再現率は、適合率（Precision）や正解率（Accuracy）、F1スコアと並んで、分類モデルを評価するときによく使われます。ただし、それぞれ見ているポイントは異なります。
この記事では、再現率の意味や計算式、具体例、ほかの評価指標との違い、どのような場面で重視するのかを初心者向けに解説します。
再現率（Recall）とは
この指標は、実際に「陽性」であるデータを、モデルがどの程度正しく検出できたかを確認します。
また、「陽性」は必ずしも病気を意味するわけではありません。AIが見つけたい対象を便宜上「陽性」と呼びます。
たとえば、用途によって次のように設定できます。
- 不良品検査：不良品を陽性とする
- 迷惑メール判定：迷惑メールを陽性とする
- 不正取引検知：不正な取引を陽性とする
- 画像認識：探したい対象が写っている画像を陽性とする
そのため、再現率を理解するときは、まず「このシステムでは何を陽性として見つけたいのか」を確認することが大切です。
再現率の計算式
再現率は、次の式で計算します。
Recall ＝ TP ÷（TP ＋ FN）
TPはTrue Positive（真陽性）、FNはFalse Negative（偽陰性）の略です。
簡単に言えば、
正しく見つけた数 ÷ 実際に見つけるべきだった数
と考えると分かりやすいでしょう。
再現率は0から1までの値で表したり、百分率に直して0％から100％で表したりします。
TPとFNの意味
さらに、再現率を理解するうえで重要なのが、TPとFNです。
**TP（True Positive／真陽性）**は、実際に陽性であり、AIも正しく陽性と判定したケースです。
一方、**FN（False Negative／偽陰性）**は、実際には陽性なのに、AIが陰性と判断して見逃したケースを指します。
つまり、再現率はFN、すなわち「見逃し」が少ないほど高くなります。
再現率の仕組みを具体例で理解しよう
そこで、計算式だけでなく具体例で考えると、再現率を理解しやすくなります。
ここでは、工場でAIを使って不良品を検出するケースを考えます。
20件の不良品を検出する例
製品100個の中に、実際には不良品が20個あったとします。
AIによる検査の結果は次のとおりでした。
- 実際の不良品：20個
- 正しく不良品と判定できたもの：18個
- 見逃した不良品：2個
この場合、
18 ÷（18 ＋ 2）＝ 0.9
となります。
したがって、再現率は90％です。
これは、「実際に存在した不良品の90％をAIが発見できた」と解釈できます。
再現率が高い・低いとはどういうことか
高い再現率を持つモデルは、見つけるべき対象を取りこぼしにくいモデルです。
たとえば、実際の陽性100件のうち99件を発見できれば、再現率は99％になります。
反対に50件しか見つけられなければ、再現率は50％です。
そのため、見逃しをできるだけ減らしたい用途では、再現率が重要な評価指標になります。
ただし、再現率だけを高くすれば優秀なモデルになるわけではありません。この点は、適合率との違いを理解すると分かりやすくなります。
再現率と適合率・正解率・F1スコアの違い
再現率を正しく使うには、適合率（Precision）、正解率（Accuracy）、F1スコアとの違いを押さえておく必要があります。
4つの指標は、同じ分類結果を異なる角度から評価しています。
| 指標 | 確認するポイント | 初心者向けの覚え方 |
|---|---|---|
| 再現率（Recall） | 実際の陽性をどれだけ発見できたか | 見逃していないか |
| 適合率（Precision） | 陽性と判定したものがどれだけ本当に陽性だったか | 誤検知していないか |
| 正解率（Accuracy） | 全予測のうち何件正しかったか | 全体でどれだけ当たったか |
| F1スコア | PrecisionとRecallのバランス | 2つをまとめて評価 |
再現率と適合率（Precision）の違い
両者は混同されやすい指標です。
再現率は、実際に陽性だったものを基準に考えます。
一方、適合率は、AIが陽性と予測したものを基準に考えます。
たとえば、AIが100件を「不良品」と判定しても、実際の不良品が50件しか含まれていなければ、多くの誤検知が発生しています。
このような場合、実際の不良品をすべて発見できていれば再現率は高くできますが、適合率は低くなる可能性があります。
覚え方としては、
Recall＝取りこぼしを見る
Precision＝拾ったものの正しさを見る
と整理すると分かりやすいでしょう。
再現率と正解率（Accuracy）の違い
正解率（Accuracy）は、陽性と陰性を含むすべての予測のうち正解した割合です。
詳しい意味や計算方法は、正解率（Accuracy）とは？意味・仕組み・使い方を初心者向けにわかりやすく解説で解説しています。
正解率は全体像をつかみやすい一方、陽性データが非常に少ないケースでは注意が必要です。
たとえば、1,000件中10件しか陽性がないデータで、AIがすべてを陰性と判定したとします。
このAIは10件の陽性をすべて見逃しています。それでも990件は正しく陰性と判定しているため、正解率は99％です。
つまり、正解率だけを見ると性能が高そうに見えても、重要な対象をまったく検出できていない場合があります。
F1スコアとの関係
F1スコアは、適合率と再現率を組み合わせて評価する指標です。
再現率だけを上げると誤検知が増える場合があります。一方、適合率だけを重視すると、慎重になりすぎて見逃しが増えることがあります。
そこで、両方のバランスを見たいときにF1スコアが役立ちます。
再現率はどんな場面で使う？
特に、偽陰性、つまり見逃しによる影響が大きい場面で再現率が重視されます。
モデルの目的によって、再現率を優先するべきか、適合率を優先するべきかは変わります。
見逃しの影響が大きいケース
たとえば、次のような用途では再現率が重要になります。
- 製造現場で重大な不良品を検出する
- 不正取引や不正アクセスの候補を検出する
- 危険物や異常を画像から検出する
- 医療などでスクリーニング対象を抽出する
共通しているのは、「多少追加確認が増えても、重要な対象を見逃したくない」という点です。
Google for Developersでも、偽陰性のコストが偽陽性より高い場合はRecallを重視する考え方が示されています。
データに偏りがあるケース
この指標は、陽性と陰性の件数に大きな偏りがあるデータでも重要です。
現実のデータでは、「見つけたい対象が全体のごく一部」というケースが珍しくありません。
この場合、単純な正解率だけではモデルの性能を適切に判断できないことがあります。
そのため、陽性の検出能力を確認したいときは、再現率を合わせて見ることが重要です。
再現率を評価するときの注意点
便利な指標ですが、再現率の数値が高ければ必ず良いモデルとは限りません。
実際の用途に合わせて、適合率などほかの指標と組み合わせる必要があります。
再現率100％だけを目指せばよいとは限らない
極端な例として、すべてのデータを「陽性」と判定するモデルを考えてみましょう。
本当の陽性はすべて陽性と判定されるため、見逃しはゼロです。つまり、再現率は100％になります。
しかし、実際には陰性であるデータまで大量に陽性と判定するため、実用的とは限りません。
この例からも、Recallだけでモデルの良し悪しを判断してはいけないことが分かります。
しきい値によって再現率は変わる
分類モデルでは、「どの値以上なら陽性にするか」というしきい値を設定する場合があります。
一般に、陽性と判定するしきい値を下げると、より多くのデータを陽性として拾うため、見逃しが減ってRecallは上がりやすくなります。
ただし、その分だけ偽陽性が増え、Precisionが下がることがあります。
逆に、しきい値を上げると慎重に陽性を判定するため、Precisionが高くなる一方で、Recallが下がることがあります。
そのため、実際のAIシステムでは、用途に応じて適切なしきい値を検討します。
PrecisionやF1スコアと合わせて確認する
モデルを評価するときは、RecallだけでなくPrecisionやF1スコアも確認するのが基本です。
特に重要なのは、「見逃しと誤検知のどちらが大きな問題になるのか」を先に考えることです。
見逃しを避けたいならRecallを重視し、誤検知を減らしたいならPrecisionを重視します。
どちらも重要な場合は、F1スコアなどを使ってバランスを見ると判断しやすくなります。
再現率に関するよくある質問
再現率（Recall）を簡単に言うと何ですか？
「実際に見つけるべき対象を、どれだけ見逃さず見つけられたか」を表す割合です。
実際の陽性100件のうち90件を正しく検出できれば、再現率は90％です。
再現率が高いほど良いAIですか？
必ずしもそうとは限りません。
再現率だけを高めると、陰性のデータまで陽性と判断する誤検知が増える場合があります。目的に応じてPrecisionやF1スコアなどと合わせて評価することが大切です。
再現率と適合率は何が違いますか？
再現率は「実際の陽性をどれだけ拾えたか」を見ます。
適合率は「陽性と予測したものがどれだけ本当に陽性だったか」を見ます。
つまり、再現率は見逃し、適合率は誤検知に注目すると理解しやすくなります。
Recallと真陽性率は同じですか？
二値分類では、RecallはTrue Positive Rate（TPR／真陽性率）とも呼ばれます。
また、分野によってはSensitivity（感度）と呼ばれることもあります。
再現率の最高値はいくつですか？
最高値は1、百分率では100％です。
100％なら、実際の陽性をすべて陽性として検出できたことを意味します。ただし、偽陽性が多い可能性もあるため、Recallだけで性能を判断しないことが重要です。
まとめ
再現率（Recall）は、実際に陽性であるデータのうち、モデルが正しく陽性として見つけられた割合を表す指標です。
計算式は、
Recall ＝ TP ÷（TP ＋ FN）
です。
特に重要なのは、Recallが「見逃しの少なさ」を見る指標だと理解することです。
不良品や異常、不正など、見逃したときの影響が大きい対象を検出する場合は、Recallが重要になります。
ただし、Recallだけを高くしても優れたモデルとは限りません。Precision、Accuracy、F1スコアなども確認しながら、用途に適した評価指標を選びましょう。
関連用語
関連用語
出典・参考情報
- Google for Developers「分類: 精度、再現率、適合率、関連指標」
- Google for Developers「しきい値と混同行列」
- scikit-learn「recall_score」
- scikit-learn「confusion_matrix」
