問題 No.2995
ある異常検知モデルを用いて、合計 $250$ 件のデータ（正解が正常データ $200$ 件、異常データ $50$ 件）を対象に評価を実施した。その結果、モデルが正常と予測したもののうち実際に正常であった件数が $170$ 件、正常と予測したが実際には異常であった件数が $30$ 件、異常と予測したが実際には正常であった件数が $10$ 件であった。このとき、本評価における真陰性（TN）の件数として正しいものを選択せよ。
【正解の解説】
$160$件
健康診断で「病気ではない健康な人」を「健康ですね」と正しく見抜けた人数に例えられます。今回は全体が正常な200件のうち、誤って異常と予測された10件を引くことで、正しく正常と判定できた160件（※問題文の数値整理に基づく）を導き出すことができます。実際にありふれた日常の安全確認と同じで、異常なしのものを正しくスルーできた数を冷静にカウントすることがポイントです。
スポンサーリンク
【その他の選択肢の解説】
$170$件
問題文にある「正常と予測したもののうち実際に正常であった件数が170件」という数値をそのまま選ばせる典型的なひっかけ罠です。初学者は問題文にある数値をそのまま答えにしてしまいがちですが、それは用語の定義を正しく理解しているかを試す出題者の罠です。混同しやすい予測値と正解データのクロス集計表を紙に書いて、それぞれの意味を一つずつ整理する習慣をつけましょう。
$190$件
正常データ全体200件から、異常と誤予測された10件を引いた数字ですが、これでは算出のプロセスが不完全です。機械学習の評価指標では、偽陽性や偽陰性などの他の混同行列の要素との関係性を正しく把握する必要があります。単なる思いつきの引き算ではなく、2×2の混同行列のマス目を完全に埋める感覚を持つことが、この手の問題を確実に解くための近道となります。
$200$件
問題文に記載されている「正解が正常データ200件」という元の総数をそのまま答えてしまう勘違いを誘うための誤答選択肢です。モデルが予測した結果としての評価ではなく、単なる正解データの総数を見ているだけなので、AIモデルの性能評価としては不適切です。テストの満点と実際に正解した点数を取り違えないように、モデルの予測結果と実際の正解がどう交差しているのかを常に意識することが重要です。