精度評価結果に関して、Recallは高い(=見逃しが少ない)ですが、Precisionは低い(=誤検出が多い)です。 例えば、製品に不良があるかどうかを予測しようとした場合、実際に「不良あり」のデータを正しく「不良あり」と予測できているデータが多い一方、「不良あり」と予測したデータは実際には「不良あり」ではないことが多いことを意味しています。 見逃しは少ないので、「不良あり」と予測されたデータには実際に「不良あり」であるデータをほぼ漏らさずに含んでいると考えられます。後処理で人間が誤検出されたデータを除外するなどの方法を用いると、効率よく精度の高い結果が得られます。 誤検出の多さが問題になる場合は、分類の閾値を変更することで、PrecisionとRecallのバランスを調整しましょう。
