Recall（再現率）完全ガイド — 見逃しを許さないための最重要指標

Recall（再現率）は、実際に陽性であるサンプルのうち、モデルが正しく陽性と判定できた割合を示す指標です。Sensitivity（感度）や TPR（True Positive Rate）とも呼ばれます。見逃し（False Negative）のコストが致命的なタスクで最重要視される指標です。

Recall とは何か

Recall は TP / (TP + FN) で計算されます。分母は「実際に陽性であるサンプルの総数」で、そのうちどれだけを正しく検出できたかを示します。Sensitivity や TPR と同義であり、医療分野では Sensitivity、統計学では TPR という名称がよく使われます。

なぜ Recall が重要か — 見逃しのビジネスコスト

見逃し（FN）のコストが高い場面は数多くあります。がんの見逃しは患者の生命に関わり、不正取引の見逃しは金銭的損失に直結し、不良品の見逃しはリコールや信用失墜を引き起こします。これらのシーンでは Recall を最大化することが最優先課題です。

具体例1: がん検診

がん検診でがんを見逃す（FN）と、治療の遅れにより患者の予後が大幅に悪化します。がん検診では「疑わしいものはすべて精密検査に回す」方針が採用され、Recall を極めて高く設定します。多少の誤検知（FP）が発生しても、精密検査で除外できるため、見逃しよりもはるかに低コストです。

具体例2: 不正取引検知

不正取引を見逃す（FN）と、直接的な金銭的損失が発生します。クレジットカード不正検知では、正常な取引を一時停止する（FP）コストよりも、不正取引を見逃す（FN）コストの方がはるかに高いため、Recall を高く維持することが重要です。

具体例3: 製造業の不良品検出

不良品を見逃して出荷すると、クレームやリコールにつながります。特に安全性に関わる製品（自動車部品、医療機器など）では、不良品の見逃しは人命に関わる可能性があります。このような場面では Recall を限りなく 100% に近づけることが求められます。

Specificity（特異度）との対比

Specificity（特異度）は TNR = TN / (TN + FP) で計算される、「実際に陰性であるサンプルのうち、正しく陰性と判定できた割合」です。Recall が陽性の検出力を示すのに対し、Specificity は陰性の識別力を示します。両者のバランスは ROC 曲線で可視化できます。

Recall を高めるための実践テクニック

1. 1

   分類閾値を下げる

   もっとも直接的な方法です。閾値を下げると、より多くのサンプルが陽性と判定され Recall が向上します。ただし Precision は低下します。

2. 2

   オーバーサンプリング

   少数クラス（陽性）のサンプルを SMOTE などの手法で増やし、モデルが少数クラスをよりよく学習できるようにします。

3. 3

   コスト感応型学習

   FN のペナルティを FP より重く設定して学習させます。多くのアルゴリズムで class_weight パラメータとして提供されています。

4. 4

   アンサンブル手法

   複数モデルの予測を組み合わせることで、単一モデルの見逃しを補完できます。

Micro / Macro / Weighted Recall

多クラス分類では、Precision と同様に Micro（全クラスの TP/FN を合算）、Macro（各クラスの Recall の単純平均）、Weighted（サンプル数で重み付け平均）の3つの集約方法があります。少数クラスの検出力を重視する場合は Macro Recall が有効です。

Qast での活用法

Qast のリーダーボードでは Recall カラムでソートが可能です。見逃しのコストが高いタスクでは Recall でソートし、上位モデルの中から Precision とのバランスが取れたものを選択するのが効果的です。混同行列で FN の内訳を確認し、どのパターンで見逃しが発生しているかを分析しましょう。