F1スコア（F1 Score）とは、機械学習における二値分類（または多クラス分類を二値分類の組み合わせとして評価する場合）の性能評価指標の一つであり、適合率（Precision）と再現率（Recall）という二つの指標の調和平均である。その核心は、特にクラスの分布が不均衡なデータセットにおいて、モデルの予測性能をよりバランス良く、かつ単一の数値で評価することを可能にする点にある。
F1スコアとは何ですか？
F1スコアの正式名称は「F1スコア」（F1 Score）であり、しばしば「F値（F-measure）」や「F1-measure」とも呼ばれる。
F1スコアとは、AI（特に機械学習の分類モデル）が、あるデータが「陽性（Positive、例えば病気である、スパムメールであるなど）」か「陰性（Negative）」かをどれだけうまく見分けられるか、その「正確さ」と「見逃しのなさ」をバランス良く評価するための指標（点数）のことである。
例えるなら、宝探しゲームで、見つけた宝物（AIが陽性と予測したもの）の中に、どれだけ本物の宝物（実際に陽性であるもの）が含まれているか（適合率）と、全ての隠された本物の宝物（実際に陽性であるもの全体）のうち、どれだけ多くを見つけ出せたか（再現率）という二つの観点を、一つの点数でまとめて評価するようなものである。
F1スコアは、機械学習の分類タスク、特に二値分類（Positive/Negativeの2クラス分類）の性能を評価するために広く用いられる。その主な目的は、モデルの予測がどれだけ「正確」であるかを示す適合率（Precision）と、モデルがどれだけ「網羅的」に正解を捉えられているかを示す再現率（Recall）という、しばしばトレードオフの関係にある二つの指標を、一つの数値に統合して評価することにある。F1スコアは0から1の値をとり、1に近いほど性能が良いとされる。特に、陽性クラスのデータが陰性クラスに比べて極端に少ない（不均衡データ）場合など、単純な正解率（Accuracy）だけではモデルの真の性能を測りにくい状況で、より適切な評価が可能となる。
なぜF1スコアは重要視されているのですか？
F1スコアが機械学習の分類モデル評価において重要視されている主な理由は、それが適合率（Precision）と再現率（Recall）という、しばしば一方を改善しようとすると他方が悪化するトレードオフの関係にある二つの重要な指標を、バランス良く考慮した単一の評価尺度を提供するからだ。
分類問題において、単に「正解率（Accuracy）が高い」というだけでは、モデルの性能を正しく評価できない場合がある。特に、クラスの分布が不均衡なデータセット（例えば、病気の症例が全体の1%しかない医療データや、不正取引がごく僅かな金融データなど）では、全てのデータを多数派クラス（例：健康、正常取引）と予測するだけでも高い正解率が得られてしまうが、それでは少数派クラス（例：病気、不正取引）を全く検出できない役立たずのモデルとなってしまう。
このような状況で、F1スコアはより意味のある評価を提供する。
- **適合率（Precision）**は、「モデルが陽性と予測したもののうち、実際に陽性であったものの割合」を示す。適合率が高いということは、モデルが「陽性だ」と言ったときの信頼性が高いことを意味する（誤検知が少ない）。
- **再現率（Recall）**は、「実際に陽性であるもののうち、モデルが陽性と正しく予測できたものの割合」を示す。再現率が高いということは、モデルが「見逃し」なく陽性の事例を捉えられていることを意味する。
医療診断で言えば、適合率が高いことは「がんです」と診断された人が本当にがんである確率が高いことを意味し、再現率が高いことは実際のがん患者を見逃さずに発見できる確率が高いことを意味する。これらはどちらも重要だが、一方を追求すると他方が犠牲になりやすい（例えば、少しでも疑わしければ「がん」と診断すれば再現率は上がるが適合率は下がる）。
F1スコアは、この適合率と再現率の調和平均を取ることで、両者のバランスを考慮した評価を可能にする。どちらか一方だけが極端に高くてもF1スコアは高くならず、両方がバランス良く高い場合にF1スコアも高くなる。これにより、特に少数派クラスの検出が重要なタスクや、誤検知と見逃しの両方を避けたい場合に、モデルの総合的な性能をより適切に評価するための指標として、F1スコアが広く用いられている。
F1スコアにはどのような種類（または構成要素、関連技術）がありますか？
F1スコアは、その計算の基礎となる適合率と再現率、そしてそれらを導出するための混同行列という概念と密接に関連している。また、F1スコアの一般形も存在する。
混同行列（Confusion Matrix）
混同行列は、分類モデルの予測結果と実際の正解クラスを対応付けて集計した表である。二値分類の場合、真陽性（TP）、偽陽性（FP）、真陰性（TN）、偽陰性（FN）の4つのカテゴリで構成され、適合率、再現率、F1スコアなどの評価指標を計算するための基礎となる。
適合率（Precision）と再現率（Recall）
適合率は、TP / (TP + FP) で計算され、陽性と予測されたサンプルのうち、実際に陽性であったものの割合を示す。再現率は、TP / (TP + FN) で計算され、実際に陽性であるサンプルのうち、陽性と正しく予測されたものの割合を示す。感度（Sensitivity）とも呼ばれる。
Fβスコア（F-beta Score）
F1スコアは適合率と再現率を均等に重視する（β=1の場合の）調和平均であるが、Fβスコアは、再現率を適合率よりもβ倍重視する、より一般的な評価指標である。β > 1 の場合は再現率をより重視し、0 < β < 1 の場合は適合率をより重視する。タスクの目的に応じてβの値を調整できる。
F1スコアにはどのようなメリットまたは可能性がありますか？
F1スコアを分類モデルの評価指標として用いることには、多くのメリットがある。
- 不均衡データに対する頑健な評価:
クラスのサンプル数に大きな偏りがある不均衡データセットにおいても、多数派クラスに偏ったモデルを高く評価してしまうことを避け、少数派クラスの検出性能を適切に評価できる。 - 適合率と再現率のバランス評価:
誤検知（False Positive）と見逃し（False Negative）のどちらも避けたい場合に、両者のバランスを考慮した単一の指標でモデルの総合的な性能を評価できる。 - モデル間の性能比較の容易化:
複数のモデルや異なるハイパーパラメータ設定の結果を、F1スコアという単一の数値で比較することで、どのモデルが最もバランスの取れた性能を発揮しているかを判断しやすくなる。 - 閾値設定の影響の考慮（間接的）:
多くの分類モデルは、最終的なクラス判定のために何らかの閾値を用いる。適合率と再現率はこの閾値に依存して変化するが、F1スコアはこれらのバランスを見るため、閾値設定の適切さも間接的に評価に反映される。 - 多クラス分類への拡張性:
マイクロ平均F1スコアやマクロ平均F1スコアといった形で、多クラス分類問題の評価にも拡張して利用することができる。
F1スコアにはどのようなデメリットや注意点（または課題、限界）がありますか？
F1スコアはその有用性にもかかわらず、いくつかのデメリットや注意点、そして解釈上の課題も存在する。
- 真陰性（TN）を直接考慮しない:
F1スコアは適合率と再現率から計算されるため、真陰性（TN：正しく陰性と予測された数）の値を直接的には評価に含めない。タスクによっては、TNの重要性が高い場合（例：非常に多くの陰性サンプルを正しく陰性と判定することが重要）には、F1スコアだけでは不十分なことがある。 - 適合率と再現率のどちらをより重視すべきかの判断は別途必要:
F1スコアは両者のバランスを見るが、特定の応用タスクにおいては、適合率と再現率のどちらか一方をより重視すべき場合がある（例：医療診断では見逃しを避けるために再現率を重視、スパムフィルタでは誤って重要なメールをスパムにしないために適合率を重視）。このような場合は、Fβスコアの利用や、両指標の個別確認が必要となる。 - 閾値依存性の隠蔽:
F1スコアは単一の数値で評価できる反面、その値がどのような予測確率の閾値で達成されたのかという情報が隠蔽されてしまう。最適な閾値の探索や、閾値に依存しない評価（例：ROC-AUC）との併用も考慮すべきである。 - 解釈の直感性の低さ（正解率との比較）:
正解率（Accuracy）と比較して、F1スコアが具体的にどのような性能を表しているのか、その直感的な理解がやや難しい場合がある。 - マイクロ平均とマクロ平均の違いの理解:
多クラス分類における平均F1スコアを計算する際に、マイクロ平均（各サンプルの予測結果を合算して計算）とマクロ平均（各クラスのF1スコアを計算し、その単純平均を取る）では、クラス間のサンプル数の不均衡に対する扱いが異なり、結果の解釈に注意が必要である。
F1スコアを効果的に理解・活用するためには何が重要ですか？
F1スコアを効果的に理解し、機械学習モデルの評価に最大限に活用するためには、いくつかの重要なポイントや考え方を押さえておく必要がある。
- 混同行列の理解:
F1スコアの計算の基礎となる真陽性（TP）、偽陽性（FP）、真陰性（TN）、偽陰性（FN）の概念と、それらから構成される混同行列を正しく理解することが不可欠である。 - 適合率と再現率のトレードオフの認識:
一般的に、適合率を上げようとすると再現率が下がり、逆に再現率を上げようとすると適合率が下がるというトレードオフの関係があることを理解し、F1スコアがそのバランスをどのように評価しているかを把握する。 - タスクの目的に応じた評価指標の選択:
F1スコアは万能な指標ではなく、解決したい課題の特性（例：不均衡データの度合い、誤分類のコストの違い）に応じて、正解率、適合率、再現率、ROC-AUC、PR-AUCといった他の評価指標と組み合わせて、総合的にモデルを評価する姿勢が重要である。 - ベースラインとの比較:
算出されたF1スコアがどの程度の水準なのかを判断するために、ランダムな予測や単純なルールベースのモデルといったベースラインモデルのF1スコアと比較することが有効である。
F1スコアは他のAI用語とどう違うのですか？
F1スコアは、機械学習モデルの性能を評価するための特定の指標であり、他の多くのAI関連用語と密接に関わっている。
- F1スコアと機械学習/分類タスク:
F1スコアは、機械学習、特に教師あり学習における分類タスク（二値分類または多クラス分類）の性能を評価するために用いられる。回帰タスクでは通常用いられない。 - F1スコアと評価指標（Evaluation Metrics）:
評価指標は、AIモデルの性能を定量的に測定するための様々な尺度の総称である。F1スコアは、正解率、適合率、再現率、AUCなどと並ぶ、代表的な評価指標の一つである。 - F1スコアと不均衡データ:
不均衡データとは、クラス間のサンプル数に大きな偏りがあるデータセットのことである。F1スコアは、このような不均衡データに対しても、多数派クラスに偏ったモデルを誤って高く評価することを避け、少数派クラスの検出性能をより適切に評価できるため、特に重要視される。
まとめ：F1スコアについて何が分かりましたか？次に何を学ぶべきですか？
本記事では、F1スコアの基本的な定義から、その重要性、主要な構成要素と関連概念、具体的なメリットと潜在的なデメリットや課題、そして効果的な理解と活用のためのポイント、さらには他のAI関連用語との違いや関連性に至るまでを解説した。F1スコアは、機械学習の分類モデルの性能を評価する際に、適合率と再現率のバランスを考慮した単一の指標であり、特に不均衡データにおいて有用である。
F1スコアの適切な理解と利用は、信頼性の高い機械学習モデルを開発し、その性能を客観的に評価するための重要なスキルである。次に学ぶべきこととしては、まず適合率-再現率曲線（Precision-Recall Curve）と、その曲線下面積であるPR-AUC（Area Under the PR Curve）について理解を深め、F1スコアがこの曲線とどのように関連しているのかを把握することが挙げられる。また、ROC曲線（Receiver Operating Characteristic curve）とAUC（Area Under the ROC Curve）といった、F1スコアとは異なる視点から分類モデルの性能を評価する主要な指標についても学び、それぞれの長所・短所と比較して、どのような状況でどの指標を用いるべきかを判断できるようになることが有益である。さらに、多クラス分類におけるマイクロ平均F1スコアとマクロ平均F1スコアの計算方法と、それぞれの解釈の違いを具体的に理解し、PythonのScikit-learnライブラリを用いて、実際に様々な分類モデルのF1スコアや他の評価指標を計算し、比較してみることで、理論と実践を結びつけることができるだろう。
【関連するAI用語】
- 機械学習 (Machine Learning)
- 分類 (Classification)
- 教師あり学習 (Supervised Learning)
- 評価指標 (Evaluation Metrics)
- 適合率 (Precision)
- 再現率 (Recall / Sensitivity)
- 混同行列 (Confusion Matrix)
- 正解率 (Accuracy)
- ROC曲線 (Receiver Operating Characteristic curve)
- AUC (Area Under the Curve)
- 不均衡データ (Imbalanced Data)
- 二値分類 (Binary Classification)