正解率（Accuracy）とは、AIや機械学習の予測結果のうち、正しく予測できた割合を表す評価指標です。
たとえば、AIが100件を分類して90件を正しく判定できた場合、正解率は90％です。計算方法がシンプルで理解しやすいため、分類モデルの性能を見る基本的な指標として使われます。
ただし、正解率が高ければ必ず優れたAIとは限りません。データの偏りや、間違えたときの影響によっては、適合率（Precision）や再現率（Recall）なども確認する必要があります。
この記事では、正解率の意味や計算方法、具体例、ほかの評価指標との違いを初心者向けに解説します。
正解率（Accuracy）とは
正解率（Accuracy）は、モデルが行ったすべての予測のうち、どの程度を正しく予測できたかを見る指標です。
英語の「Accuracy」が使われることも多いため、AIや機械学習を学んでいると「Accuracy 0.9」「Accuracy 90%」といった表記を目にすることがあります。
Accuracyが90％なら、単純に考えると「100件のうち90件を正しく予測できた」という意味です。
正解率の計算式
計算には、次の基本式を使います。
正解率 ＝ 正しく予測した件数 ÷ すべての予測件数
たとえば、100件のデータについて予測し、80件を正しく分類できた場合は、
80 ÷ 100 ＝ 0.8
となり、正解率は80％です。
二値分類では、より詳しく次の式で表せます。
Accuracy ＝（TP ＋ TN）÷（TP ＋ TN ＋ FP ＋ FN）
ここで登場するTP、TN、FP、FNは、予測と実際の結果を4種類に分けたものです。
TP・TN・FP・FNとの関係
二値分類では、予測結果を次の4種類に整理できます。
| 分類 | 意味 | 例 |
|---|---|---|
| TP：真陽性 | 陽性を正しく陽性と判断 | 迷惑メールを迷惑メールと判定 |
| TN：真陰性 | 陰性を正しく陰性と判断 | 通常メールを通常メールと判定 |
| FP：偽陽性 | 陰性を誤って陽性と判断 | 通常メールを迷惑メールと判定 |
| FN：偽陰性 | 陽性を誤って陰性と判断 | 迷惑メールを通常メールと判定 |
TPとTNは正しい予測です。一方、FPとFNは間違った予測になります。
正解率では、この4種類の結果をまとめて、「全体として何％正解したのか」を計算します。
正解率の仕組みを具体例で理解しよう
実際の数字に置き換えると、仕組みを理解しやすくなります。
たとえば、100件のメールを「迷惑メール」「通常メール」の2種類に分類するAIがあったとします。
結果が次のようになったとしましょう。
- 正しく分類できたメール：90件
- 間違って分類したメール：10件
- 全メール：100件
この場合、
90 ÷ 100 ＝ 0.9
となるため、正解率は90％です。
このように、AccuracyはAIの予測が全体としてどの程度当たったかをひとつの数字で確認できます。
正解率はどんなときに使う？
正解率は、主に分類モデルの性能を評価するときに使われます。
たとえば、次のような問題です。
- メールを「迷惑メール」「通常メール」に分類する
- 画像を「犬」「猫」などのカテゴリーに分類する
- データを複数の種類に振り分ける
- AIモデルの予測結果を正解データと比較する
特に、各カテゴリーに含まれるデータ数が大きく偏っていない場合は、モデル全体の傾向を把握する分かりやすい目安になります。
一方で、正解率だけを見れば十分とは限りません。何を予測するAIなのか、どの種類の間違いを避けたいのかまで考える必要があります。
正解率を使うメリット
正解率の大きなメリットは、意味と計算方法が分かりやすいことです。
100件中90件正解なら90％というように、専門知識が少なくても数字の意味をイメージできます。
また、同じ条件で評価したモデル同士を比べる際にも利用できます。
たとえば、同じテストデータに対して、
- モデルA：Accuracy 80％
- モデルB：Accuracy 90％
という結果なら、全体の正解割合だけを比較するとモデルBのほうが高いと分かります。
ただし、この比較が有効かどうかはデータの構成や目的にも左右されます。
正解率だけでは判断できないケース
正解率には注意点もあります。
特に重要なのが、データに大きな偏りがある場合、正解率が高くてもモデルが役に立たないことがあるという点です。
データに大きな偏りがある場合
1,000件のデータのうち、
- 990件：陰性
- 10件：陽性
だったとします。
ここでAIが何も考えず、すべてを「陰性」と予測したとしましょう。
990件は正解するため、正解率は、
990 ÷ 1,000 ＝ 99％
になります。
数字だけを見ると非常に優秀なAIに見えます。
しかし、実際には10件の陽性を1件も見つけられていません。
つまり、Accuracy 99％だからといって、目的を達成できるモデルとは限らないのです。
間違いの種類によって重要度が違う場合
AIを使う目的によっては、FPとFNのどちらを避けたいかが大きく異なります。
たとえば、重要な対象を見逃すことの影響が大きい用途では、「全体で何％正解したか」だけでなく、「実際の陽性をどれだけ見つけられたか」が重要です。
反対に、誤って陽性と判定することの影響が大きい用途では、「陽性と予測したものがどれだけ本当に陽性だったか」を見る必要があります。
そのため、AccuracyだけでなくPrecisionやRecallなどを組み合わせて評価します。
Accuracy・Precision・Recall・F1の違い
AIや機械学習では、Accuracy以外にも複数の評価指標があります。
| 指標 | 日本語 | 何を見る指標？ |
|---|---|---|
| Accuracy | 正解率 | 全予測のうち正しかった割合 |
| Precision | 適合率 | 陽性と予測したもののうち、本当に陽性だった割合 |
| Recall | 再現率 | 実際の陽性のうち、正しく見つけられた割合 |
| F1 | F1スコア | PrecisionとRecallのバランス |
Accuracyは「全体としてどれだけ当たったか」を見る指標です。
一方、Precisionは誤検出を意識したい場合、Recallは見逃しを意識したい場合に重要になります。
F1スコアは、PrecisionとRecallの両方を考慮した指標です。
どの指標を重視するかは、AIを使う目的やデータの特徴によって変わります。「Accuracyが一番高いモデルを選べばよい」と単純には判断できません。
生成AIを学ぶうえでAccuracyをどう理解すればよい？
生成AIを学習している場合でも、AccuracyはAIモデルを評価する基本用語のひとつとして理解しておくと役立ちます。
ただし、生成AIが作る自由な文章や画像などの品質を、すべてAccuracyだけで評価できるわけではありません。
Accuracyは、正解・不正解を明確に判定できる分類などで特に理解しやすい指標です。
そのため、まずは、
「Accuracy＝全体の予測に対する正解の割合」
と覚えておくとよいでしょう。
そのうえで、Precision、Recall、F1などの評価指標を学ぶと、それぞれの違いを整理しやすくなります。
正解率（Accuracy）に関するよくある質問
Accuracyが高ければ優秀なAIですか？
必ずしもそうとは限りません。
データのカテゴリーがほぼ均等であれば、Accuracyはモデル全体の性能を把握する目安になります。一方、データに大きな偏りがある場合、高いAccuracyでも重要なデータをまったく検出できていない可能性があります。
Accuracyだけではなく、PrecisionやRecallなども確認することが重要です。
Accuracyは100％になることがありますか？
計算上は100％になります。
評価したすべてのデータを正しく分類できれば、Accuracyは1.0、つまり100％です。
ただし、評価に使ったデータだけでなく、未知のデータに対しても適切に予測できるかを考える必要があります。
AccuracyとPrecisionは同じですか？
異なります。
Accuracyは「すべての予測のうち正解した割合」です。
一方、Precisionは「陽性と予測したもののうち、本当に陽性だった割合」を表します。
似た印象を持ちやすい言葉ですが、計算方法と意味は異なるため区別して覚えましょう。
正解率は何％なら高いといえますか？
一律に「○％以上なら高い」とは決められません。
データの難しさ、クラスの割合、用途、間違えた場合の影響などによって必要な水準が変わるからです。
数字だけを見るのではなく、そのモデルを何に使うのかまで含めて評価することが重要です。
まとめ
正解率（Accuracy）は、AIや機械学習のすべての予測のうち、正しく予測できた割合を示す評価指標です。
基本的な計算式は、
正解率 ＝ 正しく予測した件数 ÷ すべての予測件数
です。
意味が直感的で分かりやすいため、分類モデルの評価を学ぶ際の基本となります。
一方、データに大きな偏りがあるケースでは、Accuracyが高くても実用的なモデルとは限りません。
AIモデルを適切に評価するためには、Accuracyだけを見るのではなく、Precision、Recall、F1なども目的に合わせて使い分けることが大切です。
コメント
コメント一覧 （2件）
[…] 正解率（Accuracy）は、すべての予測結果のうち、どれだけ正しく予測できたかを見る指標です。 […]
[…] […]