「AIの評価指標に出てくる『感度』ってなに？」
「再現率や真陽性率との違いがわからない…」
AIや機械学習を学んでいると、同じ意味なのに違う名前がたくさん出てきて頭が痛くなりますよね。
この記事では、G検定やITパスポート、DS検定で最頻出の「感度（Sensitivity / Recall）」の仕組みについて、下の図解1枚をベースに【直感イメージ】と【理論の核心】をどこよりもスッキリ分かりやすく解説します！
📷 感度（Sensitivity）の全体像
まずは、この記事で解説する内容が1枚にギュッと詰まったこちらの図解をご覧ください。
1. 【直感イメージ】感度とは？ AIの「網を広げる力」！
まずは、難しい数式なしでイメージを掴みましょう。
感度とは、一言で言えば「病気の人」をどれだけ漏らさず見つけられたかの指標です。
別名「再現率（Recall）」や「真陽性率」とも呼ばれます。
💡 直感イメージ：1人の重病人も絶対に見逃さない、AIの『網を広げる力』！
- 【感度が低い（見落としだらけ）】
本当は病気なのに「健康」と誤診（見落とし）されてしまい、治療の手遅れを招いてしまう状態。- 【感度が高い（見落としゼロ）】
病気の可能性を1件も漏らさずリストアップし、早期発見に貢献できる状態。
医療のスクリーニング検査（一次検査）や、工場の「危険な欠陥品の検知」など、「見落としが絶対に許されない現場」で最優先される最も重要な指標です！
2. 【理論の核心】グラフと計算で実力を見極める
次に、図解の後半にある「理論の核心」を深掘りします。
感度の実力を見極める計算のポイントは、分母と分子の組み合わせにあります。
- 🟠 分母：実際の病気全員
いま目の前にいる「本当に病気の人」の合計数 - 🔵 分子：正しく見抜けた数
病気の人を漏らさず「病気」と判定できた数
\text{感度} = \frac{\text{分子（正しく見抜けた数）}}{\text{分母（実際の病気全員）}}
図解の例にあるように、10人の本当に病気の人がいる中で、AIが6人を正しく見抜けたら「感度60%」になります！
残りの4人は、病気なのに「健康（陰性）」と誤判定されて見落とされたことになります（これを『偽陰性』と呼びます）。
3. 【トレードオフ】全員を病気と判定すれば感度100%になるが…？
もしAIが、目の前の全員に対して「全員病気です！」と判定すれば、本物の病人を1人も見落とさないため、感度は100%（見落としゼロ）になります。
しかし、それでは同時に健康な人まで病気扱いすることになり、「空振り（偽陽性）」も激増してしまいます。
単に感度を高くするだけでなく、次に学ぶ「特異度（空振りの少なさ）」とのバランスが命になります！
4. 【試験対策】試験に出る別名の整理とROC曲線
試験で狙われるポイントを、図解に書かれている通りに整理しておきましょう。
- 再現率（Recall）： 主にデータサイエンスや機械学習の文脈（PR曲線の横軸など）で使われる言葉。感度と完全に同じ意味です。
- 真陽性率： ROC曲線の「縦軸」として登場する言葉。これも感度と完全に同じ意味です。
- 偽陰性（見落とし）を防ぐ： 感度を上げることは、この偽陰性を防ぐ重要性を表すモノサシとなります。
💡 結論：本質はAIの「見落としの少なさ」
- 結論：本質はAIの「見落としの少なさ」。医療診断など、見逃し厳禁の現場で主役になる指標！
感度（Sensitivity）は、実際に「陽性」である対象のうち、予測でも正しく「陽性」と判定できた割合です。
まずはこの「網を広げる力」をしっかり理解した上で、対になる「特異度（空振りを抑える力）」とセットで覚えることで、混同行列を完全にマスターできますよ！
👉 【G検定・ITパス】特異度（Specificity）とは？
👉 【G検定・ITパス】ROC曲線とAUCとは？
👉 【G検定・ITパス】混同行列とは？
コメント