Accuracyとは？意味をわかりやすく簡単に解説

公開：2025年11月7日更新：2025年11月7日

CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

Accuracyとは
二値分類問題におけるAccuracyの計算方法
多クラス分類におけるAccuracyの実装例

Accuracyとは

Accuracyとは、機械学習や統計学において予測モデルの性能を評価する指標の一つです。全体のデータに対して、正しく分類または予測できた割合を示します。日本語では正解率や精度と呼ばれ、分類問題における最も基本的な評価指標として広く用いられています。

Accuracyは全予測数に対する正解数の比率で計算され、式で表すと「Accuracy = (正解数) / (全データ数)」となります。例えば、100件のデータを分類し80件を正しく分類できた場合、Accuracyは0.8または80%と表現されます。

【PR】プログラミングや生成AIを無料で学べる「コードキャンプフリー」

二値分類問題におけるAccuracyの計算方法

二値分類では、真陽性、真陰性、偽陽性、偽陰性の分類結果を用いてAccuracyを算出します。具体的には「Accuracy = (TP + TN) / (TP + TN + FP + FN)」という式で表され、TPは真陽性、TNは真陰性、FPは偽陽性、FNは偽陰性を意味しています。

分類結果	説明
真陽性(TP)	陽性を正しく陽性と予測
真陰性(TN)	陰性を正しく陰性と予測
偽陽性(FP)	陰性を誤って陽性と予測
偽陰性(FN)	陽性を誤って陰性と予測

メール分類システムを例にすると、スパムメール100通と正常メール100通の計200通に対し、スパム90通と正常95通を正しく分類した場合のAccuracyは、(90+95)/200=0.925となり92.5%の精度です。ただし、クラス間のデータ数に偏りがある不均衡データでは、多数派クラスの影響が強くなりAccuracyだけでは適切な評価ができないため、注意が必要となります。

多クラス分類におけるAccuracyの実装例

多クラス分類では、3つ以上のカテゴリに対する予測精度を測定し、Pythonのscikit-learn ライブラリを使用すると簡潔に実装できます。以下のコードは、画像分類タスクで犬、猫、鳥の3クラスを分類した際のAccuracy計算例を示しています。

from sklearn.metrics import accuracy_score

# 実際のラベル
y_true = ['犬', '猫', '鳥', '犬', '猫', '鳥', '犬', '猫']
# 予測されたラベル
y_pred = ['犬', '猫', '犬', '犬', '猫', '鳥', '猫', '猫']

# Accuracyの計算
accuracy = accuracy_score(y_true, y_pred)
print(f'Accuracy: {accuracy:.2f}')  # 出力: Accuracy: 0.75

上記のコードでは、8件のデータのうち6件を正しく分類できたため、Accuracyは6/8=0.75つまり75%と算出されます。実務では、混同行列と組み合わせてクラスごとの分類傾向を分析し、PrecisionやRecall、F1スコアなどの補完的な指標と併用することで、多角的なモデル評価を行うことが推奨されています。

※上記コンテンツの内容やソースコードはAIで確認・デバッグしておりますが、間違いやエラー、脆弱性などがある場合は、コメントよりご報告いただけますと幸いです。