1 基本概念
1.1 定義
再現率は、真に該当する対象（正例）のうち、分類器や検索手続きがそれを「見つけ出せた割合」を表す指標である。対象集合に対して「正例として抽出された成分の取りこぼしの少なさ」を評価するために用いられる。
1.2 意味
再現率が高いとは、正例を多く検出できている状態であり、見逃し（取りこぼし）が相対的に小さいことを意味する。たとえば医療検査では、疾病をもつ人が検査で陰性と判定されてしまう事態を減らす観点から重視されることがある。
1.3 用語の違い
1.3.1 適合率との違い
適合率は、分類結果として正例に割り当てられたもののうち、実際に正例であった割合を示す。再現率は真に正例である母集団からの回収度合いに焦点があるため、両者は「当てた質」と「取りこぼしの少なさ」の異なる側面を測っている。
1.3.2 正解率との違い
正解率は、全対象に対して正しく分類できた割合をまとめて表す。再現率は正例に限定して評価する点が異なり、とくに正例が少数派であるデータでは、正解率が高く見えても再現率が低い状況が起こり得る。
1.3.3 特異度との違い
特異度は、真に負例である対象のうち、負例として正しく判定できた割合である。再現率が「正例をどれだけ拾えているか」を扱うのに対し、特異度は「負例で誤って正例にしないか」を示す。
2 数式と計算
2.1 基本式
再現率は、真陽性の数を、真陽性と偽陰性の合計で割った値として定義される。分母には正例全体が入り、分子にはそのうち検出できたものが入るため、見逃しの度合いが直接反映される。
再現率 ＝ 真陽性 / （真陽性 ＋ 偽陰性）
2.2 混同行列との関係
2.2.1 真陽性
真陽性は、実際には正例であり、分類器（または検索手続き）が正例として判定した対象の数である。再現率の分子として用いられ、検出の成功数を構成する。
2.2.2 偽陰性
偽陰性は、実際には正例であるにもかかわらず、分類器が負例として判定してしまった対象の数である。再現率の分母を増やす要素になり、分母に対して取りこぼしが多いほど値が下がる。
2.3 計算例
例として、正例が100件あり、そのうち90件を検出できたとする。このとき真陽性は90、偽陰性は10である。再現率は 90 / (90 + 10) ＝ 0.9（90%）となる。つまり、正例はおおむね回収できているが、残り1割は見逃していることが読み取れる。
3 評価指標としての性質
3.1 長所
再現率は正例側に焦点を当てるため、見逃しの影響が大きい状況で直感的に役立つ。検出や探索の文脈では「候補としてどれだけ拾えたか」を数値化でき、改善の方向（見逃し削減）を明確にしやすい。
3.2 短所
再現率は偽陽性の多さを直接制御しない。つまり、再現率を上げるために判定を広くし過ぎると、負例を正例として誤ってしまう割合が増える可能性がある。加えて、正例の比率が極端に偏ると、評価設計が不適切な場合に誤解を生むことがある。
3.3 解釈上の注意
3.3.1 偏りの影響
学習データや評価データの分布が実運用と異なる場合、再現率は実態とずれた見積もりになる。さらに、ラベル付けの基準が変わると偽陰性の定義が揺らぎ、指標の比較可能性が低下する。
3.3.2 分類しきい値の影響
確率やスコアを用いるモデルでは、正例判定の閾値を動かすことで真陽性と偽陰性の関係が変化する。閾値を下げれば拾える正例が増えて再現率が上がる一方、誤判定も増えやすい。したがって、再現率は単体でなく設定条件とセットで解釈する必要がある。
4 応用分野
4.1 情報検索
情報検索では、クエリに対して関連文書をどれだけ回収できたかを測る指標として再現率が用いられる。重要度の高い関連文書を取り逃さないことが優先される場面で有用であり、検索結果の「取りこぼし」を点検する際に役立つ。
4.2 機械学習
機械学習の分類問題では、再現率はクラスごとの性能評価に広く使われる。特に陽性クラスが希少であるデータでは、全体平均の指標だけでは見えない弱点（見逃し）が再現率で顕在化することがある。複数クラス分類では、各クラスを陽性として扱う計算を通じて分析する。
4.3 医療統計
医療では、疾病スクリーニングや検査の性能評価に関連して扱われることが多い。再現率の高さは、対象集団に含まれる患者をどれだけ見つけられるかを示し、見逃しを抑える方針を支持する材料になる。
4.4 品質管理
品質管理では、不良品の検出など「異常を見逃さない」ことが重要になる領域で利用される。検査工程において、実際に不良であるものを工程内で取り除ける度合いを評価し、工程条件の調整や検査基準の見直しに使われる。
5 関連指標
5.1 適合率
適合率は、陽性として出力されたもののうち実際に陽性である割合を表す。再現率が「正例の回収率」であるのに対し、適合率は「出力の正確さ」に相当する。両者はトレードオフの関係になりやすく、目的に応じた調整が行われる。
5.2 Ｆ値
Ｆ値は、適合率と再現率をまとめて評価するための指標である。両者の調和を取る形で設計されており、どちらか一方だけが高い状態よりもバランスの良いモデルを評価しやすい。
5.3 再現率曲線
再現率曲線は、閾値を変化させながら再現率の挙動を観察するための表現として扱われることがある。具体的には、判定基準を動かしたときに、検出できる割合がどのように推移するかを示し、運用上の条件選定に役立てられる。
5.4 受信者操作特性曲線
受信者操作特性曲線は、閾値を変更した際の偽陽性の増減とともにモデル挙動を俯瞰する枠組みである。再現率の視点を含みつつ、負例側での誤りも合わせて確認できるため、単一指標よりも判断材料が増える。
6 実務上の活用
6.1 目的別の指標選択
見逃しが許されない局面では再現率を優先し、誤検出のコストが相対的に大きい場合は適合率やＦ値を併用する設計が多い。意思決定では、どの種の誤りが実コストにつながるかを整理し、その誤りに直結する指標を中心に置く。
6.2 バランスの取り方
再現率を高めるには判定条件を緩める方向に傾くことがあるが、その結果として偽陽性が増える場合がある。実務では、再現率の目標値を設定したうえで、許容範囲内で適合率や関連指標がどうなるかを確認し、総合的な運用点を選ぶ。
6.3 改善方法
改善の第一歩は、誤りの内訳を分析し、偽陰性が生じる原因を特定することである。次に、特徴量の見直し、データの偏り補正、学習手順の調整、閾値の再設定などが検討される。モデルの性能だけでなく、評価データの妥当性やラベル品質も再現率に影響するため、前提条件の点検も重要になる。