適合率（Precision）

分類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。TP÷（TP＋FP）で求め、誤検知（偽陽性）のコストが大きい場面、例えば正常なメールを迷惑メールと判定したくない場合に重視する。判定のしきい値を上げると一般に適合率は上がり、再現率は下がる。

2クラス分類のモデルで、正例と判定するしきい値を変化させたときの、偽陽性率を横軸、真陽性率（再現率）を縦軸にとって描いた曲線。曲線が左上に寄るほど性能が高く、曲線の下の面積（AUC）でモデルを比較する。

分類モデルの評価指標の一つで、全データのうち予測が正解と一致した割合。混同行列では（TP＋TN）÷（TP＋TN＋FP＋FN）で求める。直感的に分かりやすいが、陽性が1%しかないデータでは全件を陰性と予測しても99%になるように、クラスの偏ったデータでは性能を正しく表さないので、適合率や再現率と併せて見る。

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）で求める分類モデルの評価指標。F1スコアともいう。どちらか一方が低いと値が大きく下がるので、両者の釣り合いを1つの数値で評価でき、クラスの偏ったデータで正解率の代わりに使われる。

分類モデルの判定のしきい値を変えながら、横軸に再現率、縦軸に適合率をとってプロットした曲線で、右上に近いほど性能がよい。陰性が大多数を占める不均衡なデータでは、ROC曲線が楽観的な形になりやすいのに対し、PR曲線は陽性の検出の難しさを反映するので、不正検知などの評価に向く。曲線の下の面積を平均適合率（AP）という。

教師あり学習で扱う問題の一つで、入力データがあらかじめ決められたどのカテゴリ（クラス）に属するかを予測すること。迷惑メールの判定や画像に写った物体の識別などが例で、ロジスティック回帰、決定木、サポートベクトルマシンなどの手法が使われ、正解率、適合率、再現率などで評価する。