2026年版・2-6

モデルの評価指標の計算の一問一答

G検定（ジェネラリスト検定）「機械学習の概要」から、モデルの評価指標の計算に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問）機械学習の概要の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問12-6

2クラス分類のモデルの予測結果が、真陽性30件、偽陽性10件、偽陰性20件、真陰性40件であった。このモデルの正解率（Accuracy）として、最も適切なものを1つ選びなさい。

①0.7
②0.6
③0.75
④0.4

答えと解説を見る

正解 ①0.7

解説
正解率（Accuracy）は、全体のうち予測が当たった割合です。予測が当たったのは、陽性を陽性と予測した真陽性（30件）と、陰性を陰性と予測した真陰性（40件）なので、（30＋40）÷（30＋10＋20＋40）＝70÷100＝0.7です。
正解率は分かりやすい指標ですが、陽性と陰性の数に大きな偏りがあるデータでは、多いほうのクラスばかりを予測しても高い値になってしまう点に注意が必要です。

他の選択肢が不適切な理由
・0.6：実際に陽性の50件のうち、陽性と予測できた割合（30÷50）で、再現率（Recall）の値です。
・0.75：陽性と予測した40件のうち、実際に陽性だった割合（30÷40）で、適合率（Precision）の値です。
・0.4：真陰性の件数を全体で割った値（40÷100）で、真陽性を数え忘れています。

覚え方のポイント
混同行列の指標は「分母が何か」で区別します。正解率＝全体、適合率＝陽性と予測したもの、再現率＝実際に陽性のもの、特異度＝実際に陰性のもの、です。

問22-6

2クラス分類のモデルの予測結果が、真陽性30件、偽陽性10件、偽陰性20件、真陰性40件であった。このモデルの適合率（Precision）として、最も適切なものを1つ選びなさい。

①0.6
②0.75
③0.7
④0.8

答えと解説を見る

正解 ②0.75

解説
適合率（Precision）は、モデルが陽性と予測したもののうち、実際に陽性だったものの割合です。陽性と予測したのは真陽性30件と偽陽性10件の合計40件で、そのうち実際に陽性だったのは30件なので、30÷40＝0.75です。
適合率が高いほど、「陽性」と判定した結果が当たっている、つまり誤検知が少ないことを表します。

他の選択肢が不適切な理由
・0.6：実際に陽性の50件（真陽性＋偽陰性）を分母にした値（30÷50）で、再現率の値です。
・0.7：全体のうち予測が当たった割合（70÷100）で、正解率の値です。
・0.8：実際に陰性の50件のうち、陰性と予測できた割合（40÷50）で、特異度の値です。

覚え方のポイント
「適合率＝陽性と予測した中の当たりの割合（誤検知の少なさ）」「再現率＝本当の陽性の中の見つけられた割合（見逃しの少なさ）」と、何を分母にするかで区別しましょう。

問32-6

2クラス分類のモデルの予測結果が、真陽性30件、偽陽性10件、偽陰性20件、真陰性40件であった。実際に陰性のもののうち、正しく陰性と予測できた割合である特異度（真陰性率）として、最も適切なものを1つ選びなさい。

①0.6
②0.75
③0.8
④約0.67

答えと解説を見る

正解 ③0.8

解説
特異度（Specificity、真陰性率）は、実際に陰性のもののうち、正しく陰性と予測できたものの割合です。実際に陰性なのは真陰性40件と偽陽性10件の合計50件で、そのうち陰性と予測できたのは40件なので、40÷50＝0.8です。
1から特異度を引いた値（1−0.8＝0.2）は偽陽性率で、ROC曲線の横軸に使われます。

他の選択肢が不適切な理由
・0.6：実際に陽性のもののうち陽性と予測できた割合（30÷50）で、再現率（真陽性率）の値です。
・0.75：陽性と予測したもののうち実際に陽性だった割合（30÷40）で、適合率の値です。
・約0.67：陰性と予測した60件（真陰性＋偽陰性）を分母にした値（40÷60）で、陰性と予測したもののうち実際に陰性だった割合です。特異度の分母は実際に陰性のものです。

覚え方のポイント
「再現率＝陽性の中での見つけられた割合」「特異度＝陰性の中での正しく陰性とできた割合」は対になる指標です。医療の検査では、見逃しを減らす感度（再現率）と、誤検知を減らす特異度の両方が重視されます。

問42-6

2クラス分類のモデルの予測結果が、真陽性30件、偽陽性10件、偽陰性20件、真陰性40件であった。このモデルのF値として、最も適切なものを1つ選びなさい。

①0.7
②0.45
③約0.33
④約0.67

答えと解説を見る

正解 ④約0.67

解説
F値は、適合率と再現率の調和平均で、「2×適合率×再現率÷（適合率＋再現率）」で求めます。まず混同行列から2つの値を求めます。適合率は、陽性と予測した40件（真陽性30件＋偽陽性10件）のうち実際に陽性だった30件の割合で、30÷40＝0.75です。再現率は、実際に陽性の50件（真陽性30件＋偽陰性20件）のうち陽性と予測できた30件の割合で、30÷50＝0.6です。
これを式に当てはめると、2×0.75×0.6÷（0.75＋0.6）＝0.9÷1.35＝約0.67です。同じ値は「2×真陽性÷（2×真陽性＋偽陽性＋偽陰性）」＝60÷90からも求められます。調和平均は2つの値のうち小さいほうの影響を強く受けるため、適合率と再現率のどちらか一方だけが高くても、F値は高くなりません。

他の選択肢が不適切な理由
・0.7：全体のうち予測が当たった割合（（30＋40）÷100）で、正解率の値です。F値の計算には真陰性を使いません。
・0.45：適合率と再現率を掛け合わせただけの値（0.75×0.6）で、2倍して和で割る計算が抜けています。
・約0.33：式の分子の「2×」を掛け忘れた値（0.45÷1.35）です。

覚え方のポイント
F値＝2PR÷（P＋R）（Pは適合率、Rは再現率）。混同行列から求めるときは、まず適合率と再現率を出してから式に当てはめましょう。F値は、適合率と再現率の単純な平均（この問題では0.675）と同じか、それより小さい値になります。

問52-6

2クラス分類のモデルの予測結果が、真陽性30件、偽陽性10件、偽陰性20件、真陰性40件であった。ROC曲線の横軸に用いられる偽陽性率として、最も適切なものを1つ選びなさい。

①0.2
②0.25
③0.1
④0.4

答えと解説を見る

正解 ①0.2

解説
偽陽性率（False Positive Rate）は、実際に陰性のもののうち、誤って陽性と予測してしまったものの割合です。実際に陰性なのは偽陽性10件と真陰性40件の合計50件なので、10÷50＝0.2です。これは「1−特異度」とも等しくなります。
ROC曲線は、判定のしきい値を変えながら、横軸に偽陽性率、縦軸に真陽性率（再現率）をとって描いた曲線で、曲線の下側の面積（AUC）が1に近いほど、判別の性能が高いことを表します。

他の選択肢が不適切な理由
・0.25：陽性と予測した40件のうち、実際は陰性だった割合（10÷40）で、分母が異なります。
・0.1：偽陽性の件数を全体の100件で割った値で、分母が異なります。
・0.4：偽陰性20件を、実際に陽性の50件で割った値（偽陰性率）で、見逃しの割合です。

覚え方のポイント
ROC曲線は「横軸＝偽陽性率（誤検知の割合）」「縦軸＝真陽性率（見つけられた割合）」です。左上に近いほど良いモデルで、AUCは0.5ならでたらめな予測と同程度、1なら完全な判別を表します。

問62-6

迷惑メールを自動で判定するフィルタで、「大切な通常のメールを迷惑メールと誤って判定してしまうこと」を特に避けたい。このとき重視すべき評価指標の考え方として、最も適切なものを1つ選びなさい（迷惑メールを陽性とする）。

①本当の迷惑メールのうち、迷惑メールと正しく判定できた割合（再現率）を重視する。
②迷惑メールと判定したものが本当に迷惑メールである割合（適合率）を重視する。
③迷惑メールと通常のメールの数の偏りは考えず、全体の正解率だけを重視する。
④判定のしきい値を下げて、迷惑メールと判定する件数を多くするほうがよい。

答えと解説を見る

正解 ②迷惑メールと判定したものが本当に迷惑メールである割合（適合率）を重視する。

解説
通常のメールを迷惑メールと判定してしまう誤りは、偽陽性（陰性を陽性と予測する誤り）です。偽陽性が少ないほど、「迷惑メール」と判定したものが本当に迷惑メールである割合、つまり適合率が高くなります。そのため、この場面では適合率を重視します。
一方、病気の見逃しを避けたい検査のように、偽陰性（見逃し）を減らしたい場面では再現率を重視します。どちらの誤りの損失が大きいかで、重視する指標を決めることが大切です。

他の選択肢が不適切な理由
・再現率を重視する：再現率は、迷惑メールの見逃しの少なさを表す指標です。この場面で避けたいのは、通常のメールを誤って迷惑メールとする誤りです。
・正解率だけを重視する：迷惑メールと通常のメールの数に偏りがあると、正解率が高くても、避けたい誤りが多く残ることがあります。
・しきい値を下げて判定を増やす：迷惑メールと判定する件数が増えるほど、通常のメールを誤って判定する偽陽性も増えやすくなり、目的と逆になります。

覚え方のポイント
「誤検知（偽陽性）を減らしたい→適合率」「見逃し（偽陰性）を減らしたい→再現率」。適合率と再現率は、しきい値を動かすと一方が上がれば他方が下がりやすい関係（トレードオフ）にあります。

問72-6

物体検出で、予測した枠の面積が8、正解の枠の面積が8、2つの枠が重なっている部分の面積が4であった。このときのIoU（Intersection over Union）として、最も適切なものを1つ選びなさい。

①0.5
②0.25
③約0.33
④約0.67

答えと解説を見る

正解 ③約0.33

解説
IoU（Intersection over Union）は、予測した枠と正解の枠がどれだけ重なっているかを表す指標で、「重なっている部分の面積÷2つの枠を合わせた部分の面積」で求めます。
2つの枠を合わせた部分の面積は、重なりを二重に数えないように、8＋8−4＝12です。したがってIoUは4÷12＝約0.33です。IoUは0から1の値をとり、1なら2つの枠が完全に一致しています。物体検出では、IoUが0.5以上なら正しく検出できたとみなす、といった基準がよく使われます。

他の選択肢が不適切な理由
・0.5：重なりの面積を、1つの枠の面積で割った値（4÷8）で、2つの枠を合わせた面積で割っていません。
・0.25：重なりの面積を、2つの枠の面積の単純な合計で割った値（4÷16）で、重なりの分を二重に数えています。
・約0.67：1つの枠の面積を、2つの枠を合わせた部分の面積で割った値（8÷12）で、分子に重なりの面積ではなく枠の面積を使っています。

覚え方のポイント
IoU＝重なり÷（Aの面積＋Bの面積−重なり）。分母の「−重なり」を忘れないことが大切です。物体検出の総合的な精度は、IoUの基準をもとに求めるmAP（平均適合率の平均）で評価します。

問82-6

物体検出で、同じ物体に対して重なり合う複数の枠が予測されたときに、確からしさ（スコア）が最も高い枠を残し、それと大きく重なる（IoUが高い）ほかの枠を取り除く処理として、最も適切なものを1つ選びなさい。

①RPN（Region Proposal Network）
②mAP（mean Average Precision）
③FPN（Feature Pyramid Network）
④NMS（Non-Maximum Suppression）

答えと解説を見る

正解 ④NMS（Non-Maximum Suppression）

解説
物体検出のモデルは、1つの物体に対して、位置が少しずつずれた複数の枠を出力することがよくあります。NMS（Non-Maximum Suppression、非最大値抑制）は、スコアが最も高い枠を残し、その枠とのIoUが一定の値を超える（大きく重なる）ほかの枠を取り除く処理を、残りの枠に対してもくり返します。これにより、1つの物体に1つの枠が対応するように整理されます。

他の選択肢が不適切な理由
・RPN：Faster R-CNNで、物体がありそうな候補領域をニューラルネットワークで提案する仕組みで、重なった枠を取り除く処理ではありません。
・mAP：物体検出の精度を、クラスごとの平均適合率（AP）をさらに平均して表す評価指標で、枠を整理する処理ではありません。
・FPN：異なる深さの特徴マップを組み合わせ、大きさの異なる物体を検出しやすくする構造です。

覚え方のポイント
物体検出の用語は「IoU＝枠の重なりの指標」「NMS＝重なった枠の整理」「mAP＝検出精度の総合評価」と、役割で区別しましょう。

問92-6

回帰モデルの2件のデータについて、予測値と正解値の差（誤差）がそれぞれ 3 と −4 であった。このときの二乗平均平方根誤差（RMSE）として、最も適切なものを1つ選びなさい。

①約3.54
②12.5
③3.5
④−0.5

答えと解説を見る

正解 ①約3.54

解説
RMSE（二乗平均平方根誤差）は、誤差を2乗して平均した値（MSE）の平方根です。誤差の2乗は 3²＝9、（−4）²＝16 で、その平均は（9＋16）÷2＝12.5です。これがMSEで、その平方根をとると√12.5＝約3.54になります。
RMSEは、平方根をとることで予測の対象と同じ単位に戻るため、「平均してどれくらい外れているか」を直感的に捉えやすい指標です。誤差を2乗しているため、大きく外れた予測の影響を強く受けます。

他の選択肢が不適切な理由
・12.5：誤差の2乗の平均（MSE）の値で、平方根をとっていません。
・3.5：誤差の絶対値の平均（（3＋4）÷2）で、平均絶対誤差（MAE）の値です。
・−0.5：誤差をそのまま平均した値（（3−4）÷2）で、正と負の誤差が打ち消し合ってしまうため、外れ方の大きさを表す指標になりません。

覚え方のポイント
回帰の評価指標は「MSE＝2乗の平均」「RMSE＝MSEの平方根」「MAE＝絶対値の平均」。RMSEはMAE以上の値になり、外れ値の影響を受けやすい点も押さえましょう。

問102-6

回帰モデルの当てはまりのよさを表す決定係数（R²）を、「1−（残差の二乗和）÷（正解値と正解値の平均との差の二乗和）」で求める。残差の二乗和が20、正解値と平均との差の二乗和が100のとき、決定係数として、最も適切なものを1つ選びなさい。

①0.2
②0.8
③5
④80

答えと解説を見る

正解 ②0.8

解説
決定係数（R²）は、正解値のばらつきのうち、モデルがどれだけを説明できているかを表す指標です。この問題では、1−20÷100＝1−0.2＝0.8となります。
モデルの予測がすべての正解値と一致すれば残差の二乗和は0になり、決定係数は1になります。1に近いほど当てはまりがよく、平均値を予測するだけのモデルと同じ程度なら0になります。なお、学習データでは説明変数を増やすほど値が大きくなりやすいため、それを補正した自由度調整済み決定係数も使われます。

他の選択肢が不適切な理由
・0.2：残差の二乗和を全体の二乗和で割った値（20÷100）で、1から引いていません。これは説明できていない割合にあたります。
・5：全体の二乗和を残差の二乗和で割った値（100÷20）で、決定係数の式とは分母と分子が逆です。
・80：全体の二乗和から残差の二乗和を引いただけの値（100−20）で、全体の二乗和で割っていません。割ると0.8になり、決定係数と一致します。

覚え方のポイント
決定係数は「1−説明できていない割合」。1に近いほど当てはまりがよいと覚えましょう。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。