F1スコア

F1スコアは機械学習における重要な性能指標であり、精度と再現率を単一の調和平均に統合する。データセットが不均衡である場合や、偽陽性・偽陰性が異なるコストを伴う場合の分類モデル評価に特に有用である。 単純な精度とは異なり、F1スコアはデータセットで特定のクラスが優勢な場合に誤った印象を与えかねない精度とは異なり、 関連するインスタンスを正しく識別しつつ誤りを最小化するモデルの能力について、よりバランスの取れた視点を提供します。 極端な値をペナルティ化することで、精度と再現率の両方が十分に高い場合にのみ高スコアが得られることを保証し、 医療診断から情報検索に至るまで幅広い分野で標準的な指標となっています。

機械学習においてF1スコアが重要な理由

多くの実世界シナリオでは、単純に正しい予測の割合（精度）を知るだけでは不十分です。 例えば、異常検出では正常ケースが異常をはるかに上回ります。 すべての入力に対して「正常」と予測するモデルは99%の精度を達成するかもしれませんが、 実際の問題を検出するには無意味です。F1スコアは、競合する二つの指標のバランスを取ることでこの問題を解決します：

• 精度: 正の予測の精度を測定します。これは「モデルが正とラベル付けしたすべての事例のうち、実際に正であったものはいくつあったか？」という疑問に答えます。
• 再現率: これは陽性予測の量を測定します。これは「実際の陽性事例全体のうち、モデルが正しく識別したのはいくつですか？」という問いに答えます。

精度を向上させると再現率が低下する傾向があり、その逆もまた然りであるため、F1スコアは最適なバランスポイントを見出す統一指標として機能する。これは、多様な条件下で堅牢な性能を確保するためにハイパーパラメータ最適化を用いてモデルを調整する際に極めて重要である。

実際のアプリケーション

F1スコアの有用性は、誤りのコストが重大となる様々な産業に及んでいる。

• 医療診断： 医療分野におけるAI、特に腫瘍検出のようなタスクでは、偽陰性（腫瘍を見逃すこと）は生命を脅かす一方、偽陽性（良性組織を異常と判定すること）は不必要な不安を引き起こす。F1スコアは、YOLO26のようなモデルを最適化し、医師を誤警報で圧倒することなく疾患を捕捉するのに十分な感度をシステムに確保するのに役立つ。
• 情報検索と検索：検索エンジンや文書分類システムは、関連性を評価するためにF1スコアを使用します。 ユーザーは関連性の高い文書をすべて見たい（高い再現率）一方で、無関係な結果をいちいち確認する手間は避けたい（高い精度）と考えています。高いF1スコアは、エンジンが不要な情報を排除しつつ、適切な情報を効果的に検索していることを示します。
• スパムフィルタリング：メールサービスは テキスト分類を用いてスパムを分離する。システムは スパムメールを捕捉（再現率）しなければならないが、重要な業務メールを迷惑メールと誤判定しないことが極めて重要である（精度）。F1スコアは これらのフィルターの主要な評価指標として機能する。

UltralyticsによるF1スコアのUltralytics

現代のコンピュータビジョンフレームワークは、これらの指標の計算を簡素化します。物体検出モデルのトレーニング時、 検証フェーズ中にF1スコアが自動的に計算されます。 Ultralytics これらの指標をリアルタイムチャートで可視化し、 ユーザーが異なる信頼度閾値に対するF1スコアの推移を確認できるようにします。

Python APIを使用して、F1スコアの構成要素を含む検証メトリクスにアクセスする方法は以下の通りです：

from ultralytics import YOLO

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

# Validate the model on a dataset (metrics are computed automatically)
# This returns a validator object containing precision, recall, and mAP
metrics = model.val(data="coco8.yaml")

# Print the Mean Average Precision (mAP50-95), which correlates with F1 performance
print(f"mAP50-95: {metrics.box.map}")

# Access precision and recall arrays to manually inspect the balance
print(f"Precision: {metrics.box.p}")
print(f"Recall: {metrics.box.r}")

F1スコアと関連指標の比較

F1スコアが他の評価基準とどのように異なるかを理解することは、プロジェクトに適したツールを選択する上で不可欠です。

• 精度との違い： 精度は全ての誤りを均等に扱う。F1スコアは不均衡データセットにおいて優れている。 なぜなら、陽性クラス（関心のある少数クラス）の性能に焦点を当てるからである。
• mAP： 平均精度（mAP）は、 すべての信頼度しきい値にわたる物体検出モデルの比較における標準指標です。ただし、F1スコアは デプロイメントにおける最適な信頼度しきい値を決定するためによく使用されます。アプリケーションをデプロイする際には、 F1曲線がピークを示すしきい値を選択することが考えられます。
• 混同行列： 混同行列は、F1スコアが導出される元となる生データ（真陽性、偽陽性など）を提供します。 この行列が詳細な情報を提供する一方で、F1スコアは迅速な比較のための単一の要約統計量を提供します。
• ROC-AUC: 曲線下面積（AUC）は、すべての閾値における判別性を測定します。 クラス分布が著しく偏っている場合（例：不正が稀な不正検知）、 一般的にF1スコアがROC-AUCよりも優先されます。

F1スコアの向上

モデルのF1スコアが低い場合、いくつかの対策が有効です。 データ拡張により陽性例の多様性を高め、モデルの汎化性能を向上させられます。 頑健な基盤モデルからの転移学習を活用すれば、ネットワークが事前学習済み特徴を活用可能になります。 さらに、推論時の信頼度閾値を調整することで、特定のユースケースにおいて精度と再現率のバランスを手動で調整し、F1スコアを最大化できます。