Accuracy

精度は、人工知能システムの評価における基本的な指標であり、全予測数に対するモデルの正解予測数の割合を定量化するものです。機械学習、特に教師あり学習の文脈において、この指標はアルゴリズムがトレーニングプロセスで提供されるグラウンドトゥルースとどの程度効果的に一致しているかを俯瞰的に示します。これは最も直感的なパフォーマンス尺度であり、「モデルがどれくらいの頻度で正しいか？」という単純な問いに答えるものですが、開発者がより詳細な指標を掘り下げる前の、システムの信頼性を示す主要な指標として機能します。

Link to this sectionパフォーマンス評価のニュアンス#

精度は優れた出発点ですが、すべてのクラスが均等に表現されたバランスの取れたトレーニングデータに適用する場合に最も効果的です。例えば、猫と犬を区別する標準的な画像分類タスクにおいて、データセットに各500枚の画像が含まれている場合、精度は信頼できる指標となります。しかし、不均衡なデータセットでは課題が生じ、「精度のパラドックス」につながる可能性があります。

トランザクションのわずか1%しか不正ではない不正検知のためにモデルをトレーニングする場合、すべてのトランザクションを「正当」と単純に予測するモデルは99%の精度を達成しますが、本来のタスクでは完全に失敗します。これを緩和するために、エンジニアはUltralytics Platformを使用してデータセットの分布を可視化し、モデルが単に多数派クラスを記憶しているだけではないことを確認します。

Link to this section精度と関連用語の区別#

モデルのパフォーマンスを完全に理解するには、精度を類似の指標と区別することが重要です。

• 適合率: これはポジティブ予測の品質を測定します。「ポジティブと予測されたすべてのインスタンスのうち、実際にポジティブだったものはどれくらいか？」を問うものです。
• 再現率: 感度とも呼ばれ、すべての関連ケースを見つけるモデルの能力を測定します。「実際にポジティブなすべてのインスタンスのうち、モデルがどれくらいを正しく識別できたか？」を問うものです。
• F1スコア: これは適合率と再現率の調和平均であり、両者のバランスを取った単一のスコアを提供します。これは、クラス分布が不均一な場合に特に有用です。

精度が正しさの全体的な見方を提供するのに対し、適合率と再現率は偽陽性や偽陰性といった特定のエラータイプに関する洞察を提供します。

Link to this section実社会での応用#

精度の有用性はさまざまな業界に広がり、重要な環境におけるコンピュータビジョンや予測モデルの信頼性を検証します。

• 医療診断: 医療画像解析の分野では、モデルはX線やMRIスキャンの分類に使用されます。スキャンを「健康」または「病理学的」に分類するモデルは、患者が正しい診断を受けられるようにするために高い精度に依存しています。ヘルスケアにおけるAIの革新は、自動化されたエラーを最小限に抑えるための厳格な検証に大きく依存しています。
• 製造における品質管理: スマートマニュファクチャリングの自動化システムは、視覚検査を使用して組立ライン上の欠陥を特定します。高い精度は、欠陥のない製品のみが出荷されることを保証し、無駄や保証コストを削減します。物体検出を採用して欠陥を見つけることで、工場は自動的に生産基準を維持します。

Link to this sectionコードで精度を測定する#

Pythonを使用する実践的なシナリオでは、開発者は確立されたライブラリを使用してモデルの精度を簡単に測定できます。次の例は、YOLO26分類モデルを検証してTop-1精度を取得する方法を示しています。Top-1精度とは、モデルの最高確率の予測が正しいラベルと一致する頻度を指します。

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

Link to this section改善のための戦略#

When a model suffers from low accuracy, several techniques can be employed to enhance performance. Engineers often utilize data augmentation to artificially increase the diversity of the training set, preventing the model from overfitting. Additionally, hyperparameter tuning—adjusting settings like the learning rate—can significantly impact convergence. For complex tasks, transfer learning allows a model to leverage knowledge from a large, pre-trained dataset (like ImageNet) to achieve higher accuracy on a smaller, specific dataset.