適合率

精度は、データサイエンスと統計学の領域における基本的な指標であり、モデルの正予測の正確さを定量化する。 を定量化する。機械学習（ML）の文脈では 機械学習(ML)の文脈では、特に次の問いに答える という質問に答えます：「モデルが正と予測したすべてのインスタンスのうち、実際に正であったインスタンスはいくつあるのか？ この尺度は、システムの信頼性を評価するために重要であり、特に以下のようなシナリオにおいて重要である。 偽陽性 (特に、偽陽性（何も発生していないのに事象を予測すること）が重大なコストやリスクを伴うシナリオでは、この指標はシステムの信頼性を評価するために不可欠です。陽性結果の質 に焦点を当てることで、開発者は、AIエージェントが高度の信頼性をもって行動することを保証することができる。 AIエージェントは高い確実性を持って行動することができる。

AIにおける精度の重要性

精度の価値は、誤った予測の結果を考えるときに最も明らかになる。精度の高いモデルは 高精度のモデルは、誤報をほとんど発生させない。 検出が正当であることを信頼できる。この信頼性は 自動機械学習（AutoML） パイプラインには不可欠です。逆に、精度が低いと「アラート疲れ」につながる可能性があります。 エラーの頻発により、ユーザーはシステムの出力を無視するようになり、人工知能（AI）ソリューションの有用性が損なわれる。 人工知能（AI）ソリューションの有用性が損なわれる。

実際のアプリケーション

この指標が日常業務にどのような影響を与えるかを理解するために、さまざまな業界における役割を考えてみよう：

• スパムメールのフィルタリング自然言語処理 自然言語処理（NLP） スパム検出のようなタスクでは、精度が最も重要です。上司やクライアントからの正当なメールが誤ってスパム 誤検出）、ユーザーは重要な情報を見逃してしまうかもしれません。そのため、スパムフィルターは 迷惑メールフォルダに送られたメールが、ほぼ間違いなく実際の迷惑メールであることを保証するために、高い精度で調整されています。テキスト分類については テキスト分類については、標準的なNLPガイドを参照してください。
• 製造品質管理：スマート製造環境における スマート製造環境では モデルが組立ラインの欠陥を検査します。モデルの精度が低いと、完全な良品を不良品としてしまう可能性があります。 不良品と判定する可能性がある。これは、機能的な製品が廃棄されたり、再加工されたりすることで、不必要な無駄や生産コストの増加につながります。 手直しすることになります。ロバストな ロバストな物体検出を実装することで を実装することで、高い精度を維持し、本当に欠陥のあるものだけを確実に取り除きます。
• 小売店の紛失防止小売業におけるAI 小売業におけるAIでは、自動化detect レジのキオスク 自動化されたシステムは、レジのキオスクで盗難の可能性を検知する。精度の低いシステムでは、正直な買い物客が窃盗を働いたと見なされることが多く、フラストレーションが溜まり、顧客体験が損なわれる。 フラストレーションが溜まり、顧客体験が損なわれる。精度が高ければ、警備員に警告を発することができる。 で説明したように、盗難の可能性が高い場合にのみ警備員に警告が発せられる。 セキュリティ・アラーム・システムの実装

精度と関連概念の区別

初心者が精度と他の業績指標を混同するのはよくあることだ。これらの用語を区別することは 適切な モデル評価の洞察には不可欠です。

• 精度と正確さ：一方 精度はすべての 精度はすべての予測（正と負の両方）の正しさを測定するが、不均衡なデータセットを扱う場合は誤解を招く可能性がある。 不均衡なデータセットを扱う場合、誤解を招く可能性がある。例えば、ケースの99%が否定的なデータセットでは、毎回「否定的」と予測するモデル は99%の精度を達成しますが、正のクラスに対する精度は0%です。
• プレシジョンとリコール：多くの場合、精度と再現率のトレードオフとして知られる逆の関係がある。 と呼ばれる逆の関係がある。精度がポジティブな予測の正しさに焦点を当てるのに対して、回収率は完全性を測定する、 Recallは、実際のポジティブ・インスタンスがどれだけ多く捕捉されたかを測定します。 を測定します。純粋に精度のために最適化されたシステムは、いくつかの実際のポジティブを見逃すかもしれません (一方、Recallに最適化されたシステムは、より多くの誤警報（より低い精度）を発生させるかもしれない。）
• F1スコア：この2つの相反する指標のバランスをとるために、データ科学者はしばしばF1-Scoreを使用する。 F1-Scoreを使うことが多い。 の調和平均である。これは、モデルのパフォーマンスを包括的に評価する モデルのパフォーマンスを包括的に評価する単一の指標を提供する。

Ultralytics精度を計算する

実用的なコンピュータ・ビジョンのワークフローでは、精度の測定は検証段階における標準的なステップである。 の標準的なステップです。最新のフレームワーク YOLO11のような最新のフレームワークでは 平均平均精度（mAP）のような モデルがどの程度ローカライズされ分類されるかを詳細に見ることができる。 バウンディング・ボックス

以下の例では、モデルを検証し、精度メトリクスを取得する方法を示します。 ultralytics パッケージを使用する。このプロセスは ハイパーパラメータチューニング 結果を改善するために。

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on the COCO8 dataset
# This calculates Precision, Recall, and mAP based on the validation set
metrics = model.val(data="coco8.yaml")

# Access and print the mean Precision (P) score
print(f"Mean Precision: {metrics.box.mp:.3f}")

このスニペットでは val() メソッドはデータセット全体にわたって推論を実行し、その予測値を 真実を計算する。そして metrics.box.mp 属性は、特に全クラスの平均精度スコアを保持します。 モデルの正確さのスナップショットを提供します。

モデルの精度向上

モデルの精度が低ければ、そこにないものを "幻覚 "していることになる。これに対処するには これを解決するために、開発者は信頼度のしきい値を調整するかもしれない、 確信度が高いときだけモデルが予測を出力するようにする。さらに 困難な さらに、難しい「ネガティブ」な例（対象物のように見えるがそうでない画像）を含む質の高いトレーニングデータセットを作成することは、モデルが真のポジティブと背景のノイズをより効果的に区別することを学習するのに役立ちます。 を学習させることができます。能動学習 能動学習などの技術も、反復的にモデルを改善するために採用することができる。 モデルを反復的に改善するために、能動学習のような技術を採用することもできます。

各モデルの精度と効率についてさらに詳しく知りたい場合は、Ultralyticsのモデル比較ページをご覧ください。 Ultralytics モデルの比較ページをご覧ください。 様々なアーキテクチャにおけるスピードと精度のベンチマークをご覧いただけます。