適合率–再現率曲線作成ツール

適合率–再現率曲線（Precision-Recall Curve）で可視化できること

適合率–再現率曲線（PR曲線）は、分類閾値の変化に伴う「適合率（Precision / 陽性的中率）」と「再現率（Recall / 感度）」のトレードオフを可視化する手法です。特に、陽性（ポジティブ）クラスの割合が極めて低い不均衡データにおいて、偽陽性の影響を厳密に評価したい場合に非常に有用です。

適合率–再現率曲線作成に必要なデータ要件

• 1症例/サンプルにつき、2値の実測ラベル（0または1）と、連続値のスコアまたは予測確率のペアを含めてください。
• 複数のモデル、クロスバリデーションのフォールド、コホート、またはサブグループを比較する場合は、識別用の列を追加してください。
• すべてのプロットにおいて、陽性（Positive）クラスの定義が一貫していることを確認してください。
• 学習データに対する予測値ではなく、ホールドアウトデータや適切な交差検証（Cross-validation）によって得られた予測値を使用してください。

適合率–再現率曲線の学術・研究における活用例

• 不均衡分類の適合率–再現率曲線
• 疾患スクリーニングの PR AUC
• 多クラス適合率–再現率曲線
• ROC と PR 曲線のモデル比較
• 物体検出の適合率–再現率曲線
• 平均適合率付き PR 曲線

ROC曲線ではなく適合率–再現率曲線を使用すべき理由

• 陽性クラスが極めて稀なデータセット（疾患スクリーニング、異常検知など）において、分類器の性能を正確に評価できます。
• 再現率を上げるために、どれだけの偽陽性（False Positive）を許容せざるを得ないかを視覚的に把握できます。
• 実際のアプリケーションや臨床現場で要求される具体的な閾値において、モデルを比較できます。
• 曲線下の面積（PR-AUC / Average Precision）という単一の指標だけでなく、曲線全体の挙動を詳細に報告できます。

適合率–再現率曲線作成ツール の使い方

例を選ぶか、CSV、TSV、TXT、XLSX、XLS のいずれか1ファイルをアップロードします。検出された列を確認して図を生成し、SciVis で編集します。Excel は先頭シートを使用します。

論文に耐えうる適合率–再現率曲線の必須要素

• x軸に「Recall（再現率）」、y軸に「Precision（適合率）」を配置。
• どのクラスを「陽性（Positive）」として定義したかを明記。
• 陽性クラスの出現率（Prevalence）に基づく、ベースライン（No-skill line）の表示。
• 複数モデルや検証フォールドを比較する際の、個別の曲線および不確実性（信頼区間など）の明示。

適合率–再現率曲線とROC曲線の使い分け

対象とするイベントが稀発である場合、または偽陽性の発生が研究・実務上重大な不利益をもたらす場合はPR曲線を使用します。ROC曲線は真陰性（True Negative）の数に影響を受けるため、陰性クラスが膨大な場合にはモデルの性能を過大に見せてしまう（楽観的な結果になる）傾向があります。両方を併記することも推奨されます。