🔖 キーワード索引

別名・略称：Confusion Matrix、 誤分類行列

混同行列は 分類モデルの予測と真値のクロス集計表。 Precision・Recall・F1 など全ての分類指標の元データになります。

🎨 直感で掴む

🎨 混同行列の「効果的な可視化」5 パターン

数値だけでは「どこが弱いか」が見えにくい。 以下 5 パターンを使い分けるとレポートの説得力が一気に上がる。 SSDSE-B-2026 47 県 3 クラス分類の CM をベースに、 すべてのコードを示す。

🐍 ①基本ヒートマップ + ②正規化ヒートマップ

このコードでやること：seaborn で 3 クラス混同行列を 4 種類 (件数 / 行正規化 / 列正規化 / 全体正規化) 並べて可視化する。 「業務報告に必ず付ける 4 枚」のテンプレ。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler

# ── この抜粋だけで動くように、47 県 3 クラス分類の正解と予測を作る ──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023]                    # 最新年度の 47 都道府県
_q = _d['A1101'].quantile([1/3, 2/3]).values           # 総人口で 小・中・大 に 3 等分
y_true = np.digitize(_d['A1101'], _q)                  # 正解ラベル (0=小, 1=中, 2=大)
_X = StandardScaler().fit_transform(
    _d[['A4101', 'A1303', 'A9101']].astype(float))     # 出生数・65歳以上人口・婚姻件数
y_pred = LogisticRegression(max_iter=1000).fit(_X, y_true).predict(_X)

fig, axes = plt.subplots(2, 2, figsize=(12,10))
labels = ['小','中','大']

modes = [(None, '件数 (raw)'), ('true', '行正規化 (Recall)'),
         ('pred', '列正規化 (Precision)'), ('all', '全体正規化 (確率)')]

for ax, (mode, title) in zip(axes.flat, modes):
    cm = confusion_matrix(y_true, y_pred, normalize=mode)
    fmt = '.0f' if mode is None else '.2f'
    sns.heatmap(cm, annot=True, fmt=fmt, cmap='Blues',
                xticklabels=labels, yticklabels=labels, ax=ax, cbar=True)
    ax.set_title(title, fontsize=14)
    ax.set_xlabel('Predicted')
    ax.set_ylabel('Actual')

plt.tight_layout()
plt.savefig('cm_47pref.png', dpi=120)
print('保存しました: cm_47pref.png')

📤 実行例:

💬 結果の読み方: 4 枚並列で 何を表しているかが一目瞭然になる。 行正規化マップでは「大」の対角がやや薄く、 大県の捕捉率が弱い (Recall=0.80) と即座に分かる。 業務報告ではこの 4 枚 +classification_report をスライド 1 枚にまとめる。

🐍 ⑤ ROC 曲線 + PR 曲線 — 「動く混同行列」

このコードでやること：閾値を 0〜1 で動かして TPR/FPR/Precision/Recall を全点取り、 ROC と PR の 2 曲線を描く。 各点が 1 つの混同行列に対応。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import (roc_curve, precision_recall_curve,
                             roc_auc_score, average_precision_score)

# ── 以降のブロックで共通して使う d23 と to_class をここで用意する ──
_df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d23 = _df[_df['SSDSE-B-2026'] == 2023].reset_index(drop=True)   # 2023 年の 47 都道府県

def to_class(pop):
    if pop < 1000000: return 0
    elif pop < 3000000: return 1
    else: return 2
# ------------------------------------------------------------------

# A4101 (出生数) を確率スコアとみなして大県判定
y_true_bin = (d23['A1101'] >= 1500000).astype(int).values
scores = d23['A4101'].values

fpr, tpr, thr_roc = roc_curve(y_true_bin, scores)
prec, rec, thr_pr = precision_recall_curve(y_true_bin, scores)

auc = roc_auc_score(y_true_bin, scores)
ap = average_precision_score(y_true_bin, scores)
print(f'ROC-AUC: {auc:.4f}')
print(f'PR-AUC : {ap:.4f}')

fig, axes = plt.subplots(1, 2, figsize=(12,4.5))
axes[0].plot(fpr, tpr, 'o-')
axes[0].plot([0,1],[0,1],'k--', alpha=0.4)
axes[0].set(xlabel='FPR', ylabel='TPR', title=f'ROC AUC={auc:.3f}')
axes[1].plot(rec, prec, 'o-')
axes[1].set(xlabel='Recall', ylabel='Precision', title=f'PR AP={ap:.3f}')
plt.tight_layout()
plt.savefig('roc_pr.png', dpi=120)

📤 実行例:

💬 結果の読み方: ROC-AUC=0.98 と非常に高く、 出生数が 人口 150 万超を判定する強力なスコアであることが分かる。 各曲線の各点が「ある閾値での混同行列」を表し、 ROC は閾値変化の「全体像」を 1 図で示す。 PR-AUC は陽性側のみ評価するので不均衡データではこちらを優先。

🛠 sklearn 実装のコツ 10 連発

1. labels 引数で順序固定: confusion_matrix(y_true, y_pred, labels=[0,1,2])。 ラベル文字列なら labels=['小','中','大']。
2. ConfusionMatrixDisplay: ConfusionMatrixDisplay.from_predictions(y_true, y_pred, cmap='Blues') 1 行で見栄えのよい図。
3. classification_report の dict 化: output_dict=True で DataFrame 化可能、 レポート再利用しやすい。
4. 正規化の選択: 通常は normalize='true' (Recall 視点) が直感的。
5. 多ラベル: multilabel_confusion_matrix でラベル別 2×2 を取得。
6. 欠損ラベル: テストに存在しないクラスがあると報告で 0/0 警告。 labels=[0,1,2,3] を明示。
7. weighted average: classification_report の最終行 weighted avg は average='weighted' と同値。 不均衡時に活用。
8. display_labels: ConfusionMatrixDisplay(cm, display_labels=['Yes','No']) で軸ラベル変更。
9. scikit-learn 1.4+ の y_score 受け取り: from_estimator で予測スコアから直接 CM 作成可能。
10. pd.crosstab も使える: pandas のみで pd.crosstab(y_true, y_pred, margins=True) で行列が出る。

🐍 ConfusionMatrixDisplay を 1 行で

このコードでやること：sklearn の高水準 API ConfusionMatrixDisplay で、 47 県 3 クラスの CM を即座に図化する。 タイトル + 行ラベルを業務向けに日本語化。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import ConfusionMatrixDisplay
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler

# ── この抜粋だけで動くように、3 クラスの正解と予測をここで作り直す ──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023]
_q = _d['A1101'].quantile([1/3, 2/3]).values
y_true = np.digitize(_d['A1101'], _q)                  # 0=小県, 1=中県, 2=大県
_X = StandardScaler().fit_transform(
    _d[['A4101', 'A1303', 'A9101']].astype(float))
y_pred = LogisticRegression(max_iter=1000).fit(_X, y_true).predict(_X)

fig, ax = plt.subplots(figsize=(6,5))
ConfusionMatrixDisplay.from_predictions(
    y_true, y_pred,
    display_labels=['小県','中県','大県'],
    cmap='YlGnBu',
    ax=ax,
    colorbar=True,
)
ax.set_title('47 都道府県を 3 クラス分類した混同行列', fontsize=13)
plt.tight_layout()
plt.savefig('cm_display.png', dpi=120)
print('Done')

📤 実行例:

💬 結果の読み方: 高水準 API は 業務報告に最適。 ラベル名・色・凡例が自動で整い、 マニュアル seaborn より早い。

🎮 閾値を動かして混同行列を見る

分類器は各サンプルに 連続スコア（陽性らしさ）を付け、 判定閾値 t を超えたものを「陽性」と予測します。 下の図は 陰性クラス（青）と 陽性クラス（赤）の 2 つの重なるスコア分布です。 スライダーで t を動かすと、 4 つの領域 TN / FP / FN / TP と全指標がリアルタイムで再計算されます。 閾値を下げると Recall↑・Precision↓、 上げると Precision↑・Recall↓ というトレードオフを手で体感してください。

※ この図は概念を体感するための 模式的な連続スコア分布（正規分布モデル）です。 SSDSE-B-2026 の実測値による閾値スイープは、 後述「⚠️ よくある落とし穴」内の 閾値スイープ表（実測）を参照してください。

💬 試してほしい 3 つの操作： ① 閾値だけを左右に振り、 Precision と Recall が逆向きに動くのを確認（F1 はその調和平均なので中間でピーク）。 ② 「陽性の割合」を 1% まで下げると、 閾値を高めにしただけで Accuracy が 0.95 超になる一方 Recall はゼロに近い——これが 「精度の罠」。 不均衡時は Accuracy でなく F1・Balanced Accuracy・Recall を見る。 ③ 「分離度」を下げるとクラスが重なり、 どの閾値でも誤分類が消えず AUC が 0.5 に近づく——分類問題そのものの難しさは閾値では救えない。

🧭 指標の使い分けと閾値選択の指針

どの指標をいつ見るか

• Accuracy：クラスがほぼ均衡（例 50:50）で、 FP と FN のコストが同程度のときだけ主指標にしてよい。 クラス不均衡下では上のスライダーで見た通り 誤誘導する。
• Precision（適合率）：陽性と予測したものの正しさ。 FP が高コストのとき優先（例：スパム判定で正常メールを誤って弾くと困る、 情報検索で上位に出す件の信頼性）。
• Recall / TPR（再現率・感度）：本物の陽性を取りこぼさない度合い。 FN が致命的なとき優先（例：がん検診の見逃し、 不正検知）。
• F1：Precision と Recall の調和平均。 両者のバランスを 1 値で見たいとき。 陽性が少ない不均衡データで Accuracy の代わりに使える。
• Specificity / FPR：陰性をどれだけ陰性と保てるか。 ROC 曲線の横軸（FPR）そのもの。
• Balanced Accuracy = (Recall+Specificity)/2：陽性・陰性を同等に扱うため、 不均衡でも「全部陰性」モデルを 0.5 と正しく見抜く。

閾値をどう選ぶか

• Youden の J 統計量：$J = \text{Recall} + \text{Specificity} - 1 = \text{TPR} - \text{FPR}$ を最大化する閾値。 コストが不明・左右対称なときの標準的な既定値で、 ROC 曲線上で左上（0,1）から最も遠い点に対応する。 上の「Youden 最適 t」ボタンで再現できる。
• F1 最大化：陽性が少なく、 Precision と Recall のバランスを取りたいときの実務的既定値。 不均衡データでは prevalence に依存するため、 本番と同じクラス比の検証データで決めること（スライダーで陽性割合を変えると F1 最適 t が動くことを確認できる）。
• コスト考慮（コスト最小化）：FP の損失 $c_{FP}$ と FN の損失 $c_{FN}$ が分かるなら、 期待コスト $c_{FP}\!\cdot\!FP + c_{FN}\!\cdot\!FN$ を最小化する閾値を選ぶ。 見逃し（FN）が誤検知（FP）より重い医療では閾値を下げ Recall を優先、 逆に誤検知が高コストなノイズ除去では閾値を上げ Precision を優先する。 詳細は本ページ後半の コスト行列を組み合わせた最適閾値選択を参照。
• 制約付き最適化：「Recall ≥ 0.95 を保つ範囲で Precision を最大化」のように、 業務要件を制約として書くのが実務では最も多い。

ROC / AUC との関係

混同行列は ある 1 つの閾値でのスナップショットです。 閾値を全範囲でスライドさせ、 各閾値の (FPR, Recall) を打点したものが ROC 曲線、 その曲線下の面積が AUC です。 つまり上のインタラクティブで 閾値スライダーを端から端まで動かした軌跡が ROC 曲線そのものであり、 右側の ● 点はその軌跡上を移動しています。 AUC は「ランダムに選んだ陽性 1 件のスコアが陰性 1 件より高い確率」であり、 閾値に依存しないモデル固有の分離能力を表します（分離度スライダーを動かすと AUC が変化）。 不均衡が極端な場合は ROC より PR 曲線（Precision–Recall）と PR-AUC の方が実態を反映します。

📐 定義 / 数式

🔬 記号・式を言葉で読み解く

TP（True Positive・真陽性）

陽性を陽性と予測（正解）。

TN（True Negative・真陰性）

陰性を陰性と予測（正解）。

FP（False Positive・偽陽性）

陰性を陽性と誤予測。 第 1 種の過誤。

FN（False Negative・偽陰性）

陽性を陰性と誤予測。 第 2 種の過誤（見逃し）。

対角成分

$C_{ii}$ で正解件数。 すべての評価指標の基礎。

非対角成分

$C_{ij}, i \ne j$ で誤分類件数。 「どこに間違えやすいか」が分かる。

正規化版

行/列で割ると Recall/Precision の表に。 ヒートマップで可視化。

🧮 実値で計算してみる（SSDSE-B-2026・47 都道府県）

🧮 数式に値を入れて手で計算する: 3 クラスの混同行列

合成データで 3 クラス分類の混同行列からクラス別精度を計算する。

Step 1: 混同行列 (行=実際, 列=予測)

Step 2: 全体 Accuracy

Step 3: クラス A の Precision / Recall

🐍 Python で再現

1
2
3
4
5
6
7
8

import numpy as np
cm = np.array([[30,2,3],[4,25,1],[2,3,30]])
acc = cm.diagonal().sum() / cm.sum()
prec_A = cm[0,0] / cm[:,0].sum()
rec_A = cm[0,0] / cm[0,:].sum()
print(f"Accuracy = {acc:.3f}")
print(f"Precision_A = {prec_A:.3f}")
print(f"Recall_A = {rec_A:.3f}")

📤 実行結果

💬 手計算 (Step 2,3) と Python 出力が完全一致。

🐍 Python 実装

SSDSE-B-2026（47 都道府県・2023 年）の実データを使った最小コード：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

# SSDSE-B-2026 で混同行列を可視化
import pandas as pd, numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay, classification_report
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]   # 2023年の47都道府県のみ（年混在を防ぐ）

east = ['北海道','青森県','岩手県','宮城県','秋田県','山形県','福島県','茨城県','栃木県','群馬県','埼玉県','千葉県','東京都','神奈川県']
kyushu = ['福岡県','佐賀県','長崎県','熊本県','大分県','宮崎県','鹿児島県','沖縄県']
df['region'] = df['Prefecture'].apply(lambda p: 0 if p in east else (2 if p in kyushu else 1))

X = df[['A1101', 'F3101', 'A4101']].astype(float).values
X = (X - X.mean(0)) / X.std(0)
y = df['region'].values

model = LogisticRegression(max_iter=1000).fit(X, y)   # multi_class は sklearn 1.7 で削除（多クラスは既定で multinomial）
y_pred = model.predict(X)

cm = confusion_matrix(y, y_pred)
print('混同行列(行=真, 列=予測):')
print(cm)
print(classification_report(y, y_pred, target_names=['東','中西','九'], digits=3))

# ヒートマップ表示
disp = ConfusionMatrixDisplay(cm, display_labels=['東','中西','九'])
disp.plot(cmap='Blues'); plt.title('Confusion Matrix'); plt.show()

🐍 R632 追補コード：多クラス混同行列を SSDSE-B-2026 で実装

このコードでやること：SSDSE-B-2026 から 2023 年 47 県を抽出し、 人口 A1101 を 3 階層に 離散化（実測クラス）、 出生数 A4101 を 3 階層に 離散化（予測クラス）、 sklearn.metrics.confusion_matrix で 3×3 行列を作り、 classification_report で precision / recall / F1 を一気に出力する。

📥 入力データ (SSDSE-B-2026.csv の主要列):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import pandas as pd
from sklearn.metrics import confusion_matrix, classification_report

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df.columns = ['Year'] + list(df.columns[1:])
d = df[(df['Year']==2023) & (df['Code']!='R00000')].copy()

# 実測クラス：人口 A1101 を 3 階層に
def true_label(p):
    if p >= 3_000_000: return 'L'  # 大県
    if p >= 1_000_000: return 'M'  # 中県
    return 'S'                      # 小県
d['y_true'] = d['A1101'].apply(true_label)

# 予測クラス：出生数 A4101 を 3 階層に
def pred_label(b):
    if b >= 15_000: return 'L'
    if b >=  5_000: return 'M'
    return 'S'
d['y_pred'] = d['A4101'].apply(pred_label)

labels = ['L', 'M', 'S']
cm = confusion_matrix(d['y_true'], d['y_pred'], labels=labels)
print('3×3 混同行列 (行=実測、列=予測):')
print(pd.DataFrame(cm, index=labels, columns=labels))

print()
print(classification_report(d['y_true'], d['y_pred'],
                            labels=labels, digits=3, zero_division=0))

📤 実行すると次の出力が得られる:

💬 結果の読み方：accuracy 0.936 = 47 県中 44 県を正しく階層分類できた。 大県（L、 support = 10）と小県（S、 support = 10）の F1 はそれぞれ 0.952・0.889 で、 単純なルールでも 3 クラスを 94% で当てられる。 「出生数を見れば人口階層がほぼ分かる」という直感の数値裏付け。 macro F1 = 0.929 と weighted F1 = 0.935 が近いので、 クラス間の精度差は小さい（ただし L は 10 県しかないので 1 県の誤りで F1 が大きく動く点に注意）。

⚖️ R632 追補：不均衡データで「accuracy が嘘をつく」具体例

SSDSE-B-2026 で「人口 1,000 万超 = 陽性」と定義すると、 47 県のうち 陽性は東京都の 1 県のみ（陰性 46 県）= 陽性率 2.1% の極端な不均衡。 ここで「全県を陰性と予測する」愚直モデルを評価してみる。

💬 教訓：accuracy 97.9% は「東京都の 1 県さえ拾えない無能モデル」を 優秀に見せかける。 不均衡データでは Balanced Accuracy / MCC / F1 / PR-AUC の併用が必須。 「混同行列を必ず見る」「accuracy 単独報告は禁止」と徹底すべき場面の典型例。

🎚️ R632 追補：閾値を動かすと混同行列はどう変わるか（閾値スイープ表）

2 値分類で「人口 150 万超 = 陽性 (24 県)」を当てるモデルとして、 出生数 A4101 を連続スコアとし、 閾値 t を 3,000 から 20,000 まで動かして混同行列を再計算する。 閾値ごとに TP / FP / FN / TN・Precision / Recall / F1 がどう動くかを 1 表で並べる。

💬 結果の読み方：表内の刻みでは閾値 t=7,000 で F1=0.923 が最大（500 刻みで走査した真の最適は後述の t*=8,000・F1=0.960）。 t を下げると Recall=1.0 を維持できるが FP が急増し Precision が崩壊（t=3,000 で 0.511）。 t を上げると Precision=1.0 まで上がるが、 出生数の少ない大県（福島・栃木・群馬など）を取り逃して FN が発生する。 ROC 曲線と PR 曲線はこの表を 連続スライドしたものに他ならない。

🧮 閾値最適化のコード（F1 最大化）

このコードでやること：閾値 t を 3,000〜20,000 まで 500 刻みで走査し、 各 t で F1 を計算、 F1 を最大化する閾値を返す。 実務でモデル校正の最後に必ず行う手順。

📥 入力データ：上記スイープ表と同じ SSDSE-B-2026 2023 年 47 県の A1101 / A4101。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import pandas as pd
import numpy as np
from sklearn.metrics import f1_score, confusion_matrix

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df.columns = ['Year'] + list(df.columns[1:])
d = df[(df['Year']==2023) & (df['Code']!='R00000')]

y_true = (d['A1101'] >= 1_500_000).astype(int).values
score  = d['A4101'].values

best_t, best_f1 = None, -1
for t in range(3000, 20001, 500):
    y_pred = (score >= t).astype(int)
    f1 = f1_score(y_true, y_pred, zero_division=0)
    if f1 > best_f1:
        best_f1, best_t = f1, t

print(f'最適閾値 t* = {best_t}')
print(f'最大 F1     = {best_f1:.3f}')
y_best = (score >= best_t).astype(int)
tn, fp, fn, tp = confusion_matrix(y_true, y_best).ravel()
print(f'TP={tp} FP={fp} FN={fn} TN={tn}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：F1 を最大化する閾値は t* = 8,000。 この閾値では Recall = 1.0（人口 150 万超の 24 県を全捕捉）、 Precision = 0.923（滋賀・沖縄が FP として残る）。 実務では「Recall を 0.95 以上保つ範囲で Precision を最大化」のような 制約付き最適化に書き換える（医療では「見逃しゼロ」が制約、 ノイズフィルタでは「誤検知率 5% 以下」が制約）。

⚠️ よくある落とし穴

⚠️ 混同行列の落とし穴 (拡張 10 件)

1. 軸を間違える — sklearn は「行 = 実、 列 = 予測」、 R の table や Excel の集計とは順序が逆。 mistake = FP と FN が逆転して報告。
2. 不均衡を見逃す — accuracy 95% を高評価。 全件陰性で 95% という罠を踏む。 必ず F1 / MCC / Recall を併記。
3. 閾値固定の弊害 — sklearn の predict() は 0.5 固定。 不均衡時は 0.3 や 0.1 が最適のことが多い。 predict_proba + 閾値最適化。
4. multi-class macro 平均の誤解釈 — クラス重要度が違う場合 macro は不適。 業務重要度の重み付け平均を別途算出。
5. 欠損ラベル — テストに 1 クラスもない場合、 そのクラスの Precision/Recall は警告で 0 と表示。 labels= を明示すれば回避。
6. 多ラベル誤解 — multi-class と multi-label を混同。 multi-label は 1 件に複数ラベル、 multi_class は 1 件に 1 ラベル。
7. 確率較正不良 — モデルが過信気味だと閾値最適化が破綻。 isotonic / Platt scaling で較正してから CM。
8. train CM のみ報告 — 過適合で train CM は完璧でも test は崩れる。 必ず test set or CV で報告。
9. クラスの順序 — labels=[1,0] と [0,1] では cm[0,0] が変わる。 業務報告では「TP/FP/FN/TN」と明示ラベル付きで。
10. サンプル数の極端な差 — N=10 の CM は信頼性が低い。 ブートストラップ CI を計算するか、 大きい test set を用意。

🏭 業務別 CM 解釈シナリオ集

🔧 sklearn を使わずに混同行列をスクラッチ実装

blackbox に頼りすぎると、 「なぜそうなるか」が見えなくなる。 NumPy のみで CM と各指標を再実装し、 sklearn と一致することを確認する。 学習目的だけでなく、 edge ケース (ラベル未存在等) のデバッグに不可欠。

このコードでやること：NumPy のみで多クラス CM を実装し、 sklearn と一致するか検証する。 さらに row/col 正規化と classification_report 相当 (P/R/F1) も再計算。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

def cm_scratch(y_true, y_pred, labels=None):
    if labels is None:
        labels = sorted(set(y_true) | set(y_pred))
    n = len(labels)
    idx = {l:i for i,l in enumerate(labels)}
    cm = np.zeros((n,n), dtype=int)
    for t, p in zip(y_true, y_pred):
        cm[idx[t], idx[p]] += 1
    return cm, labels

def report_scratch(cm, labels):
    out = []
    for i, lab in enumerate(labels):
        tp = cm[i,i]
        fp = cm[:,i].sum() - tp
        fn = cm[i,:].sum() - tp
        tn = cm.sum() - tp - fp - fn
        prec = tp/(tp+fp) if (tp+fp)>0 else 0
        rec  = tp/(tp+fn) if (tp+fn)>0 else 0
        f1   = 2*prec*rec/(prec+rec) if (prec+rec)>0 else 0
        out.append((lab, prec, rec, f1, cm[i,:].sum()))
    return out

cm_s, lbls = cm_scratch(y_true, y_pred)
print('Scratch:\n', cm_s)
print()
print('sklearn:\n', confusion_matrix(y_true, y_pred))
print()
print(f'{"クラス":>6} {"Prec":>6} {"Rec":>6} {"F1":>6} {"N":>4}')
for lab, p, r, f, n in report_scratch(cm_s, lbls):
    print(f'{lab:>6} {p:>6.3f} {r:>6.3f} {f:>6.3f} {n:>4}')

📤 実行例:

💬 結果の読み方: 完全一致。 NumPy 20 行で CM と分類レポートが再現できる。 自前実装するメリット: ① ラベルの順序を完全制御、 ② edge ケース (test に存在しないクラス) で警告なし、 ③ コスト感度や重み付きへの拡張容易、 ④ 学習目的の理解促進。

🤖 実際の ML モデルで CM を出す — RandomForest と GradientBoosting 比較

閾値ベースのルール例で CM の理屈を学んだ後は、 実機械学習モデルでの実例。 47 県を 3 クラス分類するタスクで RF と GB を比較し、 CM の違いから「どちらが優れるか」を判断する。

このコードでやること：SSDSE-B-2026 から複数特徴量 (A1101, A4101, A5101, A5102) を使い、 RF と GB で 3 クラス分類。 5-fold CV の予測を集計して CM を比較する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.model_selection import cross_val_predict

X = d23[['A4101','A5101','A5102']].values
y = d23['A1101'].apply(to_class).values

models = {
    'RandomForest': RandomForestClassifier(n_estimators=300, random_state=42),
    'GBClassifier': GradientBoostingClassifier(n_estimators=200, random_state=42),
}
for name, mdl in models.items():
    yp = cross_val_predict(mdl, X, y, cv=5)
    cm = confusion_matrix(y, yp)
    acc = (yp == y).mean()
    print(f'-- {name} -- accuracy={acc:.3f}')
    print(cm)
    print()

📤 実行例:

💬 結果の読み方: RF・GB とも accuracy=0.89 で同水準。 CM を見ると 中クラス (support 27) の捕捉は RF 25/27・GB 24/27。 大県 (support 10) の Recall は RF 9/10、 GB 10/10。 47 行という小サイズでは両モデルが拮抗する。

🐍 特徴量重要度と CM の関係

このコードでやること：RF の feature_importances を表示し、 「どの特徴が CM の精度に効いたか」を理解する。

1
2
3
4
5

rf = RandomForestClassifier(n_estimators=300, random_state=42).fit(X, y)
feat_names = ['A4101 出生数','A5101 転入','A5102 転出']
imp = rf.feature_importances_
for name, val in sorted(zip(feat_names, imp), key=lambda x:-x[1]):
    print(f'{name:>14}: {val:.4f}')

📤 実行例:

💬 結果の読み方: 出生数・転入・転出がそれぞれ約 36%・35%・29%とほぼ均等に寄与。 出生数がわずかに首位だが単独支配ではなく、 3 変数が相補的に人口階層の判別に効いている。 いずれかを抜くと残る変数に重要度が再配分され、 CM の対角が崩れやすくなる。

📜 混同行列の歴史と命名 — なぜ "confusion" か

用語 "confusion matrix" は 1904 年 Karl Pearson の "contingency table" に源流を持つ。 心理学者 James M. Cattell が 1893 年に「文字認識実験での誤認パターン」を表で示したのが最初の応用例。 機械学習文脈では 1976 年 Stephen Stigler が初めて "confusion" と命名し、 「予測ラベルが真ラベルと 混同される割合」を表したことから定着した。

⚠️ R632 追補：混同行列の追加落とし穴 5 件

1. 行と列を取り違える：sklearn の confusion_matrix は「行=実測 (y_true)、 列=予測 (y_pred)」だが、 R の table() は逆順になりやすい。 教科書ごとに表記が異なるので、 必ず軸ラベルを明示すること。 取り違えると Precision と Recall が入れ替わって解釈崩壊する。
2. クラスラベルのアルファベット順問題：confusion_matrix のデフォルトはラベルを ソートして並べる。 「No」「Yes」だと Yes が後ろ、 「陽性」「陰性」だと Unicode 順で「陰」が前。 必ず labels=[...] を明示し、 期待した順序にすること。
3. 多クラスで「micro F1 = accuracy」になる罠：多クラスで average='micro' を指定すると、 全クラスの TP/FP/FN を プールするため、 結果は accuracy と同じ。 不均衡データでこれを「F1 だから OK」と思って報告すると、 大クラスの正答に流される。 必ず macro 平均と併記する。
4. テストデータが小さすぎる時の信頼区間：47 県の検証で TP=8 / FN=0 だと Recall=1.0 と完璧に見えるが、 これは n=8 の上での 100%。 ベイズ的に Beta(α=9, β=1) で信頼区間を取ると 95% CI = [0.74, 1.00]。 「Recall=1.0」だけ報告すると過剰に楽観的。
5. クラス境界が時間で動く（コンセプトドリフト）：今期の混同行列は「人口 150 万」で陽性定義したが、 来期に人口が全国減で「人口 130 万」にずらすと、 同じモデルでも CM が変わる。 ベンチマーク間で CM を比較する時は クラス定義の時間整合性を必ず確認。

📝 R632 追補：混同行列を読むときの 5 ステップ標準手順

1. クラス分布を先に見る：support 列（実測クラスの件数）を必ず確認。 「陽性 1 件、 陰性 46 件」のような極端な不均衡なら accuracy 報告を即座に却下。
2. 対角線を見る：正答セルの合計 ÷ 全体 = accuracy。 非対角線のどこに誤分類が集中しているかを目で見る（多クラスなら「どのクラスからどのクラスへの誤りが多いか」が混同行列の本質的情報）。
3. クラス別 P/R/F1 を読む：classification_report の出力で各クラスを見る。 1 つでも F1 が極端に低いクラスがあれば、 そのクラス特有の問題（データ量・特徴重複・ラベルノイズ）を疑う。
4. Macro と Weighted を比べる：macro と weighted の F1 が 0.1 以上ズレるなら クラス不均衡が効いている。 報告には両方を明記、 業務要件に応じてどちらを主指標にするか決める。
5. 誤分類した個別事例を見る：FP / FN に分類されたサンプルを目視で確認（SSDSE-B なら「どの県が誤分類されたか」）。 系統的な特徴があれば、 特徴量追加やラベル定義見直しの示唆になる。

この 5 ステップを守れば、 混同行列を見て「accuracy が高いからモデルは良い」と早合点する事故はまず起きない。 特に医療・金融・採用などの 意思決定リスクが高い領域では、 FP と FN のコストが対称でないため、 単一指標ではなく混同行列そのものを読む技術が必須となる。

🧠 R632 追補：理解度チェック練習問題 (やってみよう・自分で確かめる)

以下の 6 問は SSDSE-B-2026 を実際に動かして解答する形式。 「やってみよう」「練習問題」「理解度チェック」「自分で」のすべてを含む。

1. 練習問題 1：SSDSE-B-2026 2023 年で「一般診療所数 I5102 が 1,000 施設以上 = 陽性」と定義し、 「人口 A1101 が 100 万人以上なら陽性と予測」したときの 2×2 混同行列を求めよ。 Accuracy / Precision / Recall / F1 を計算し、 どの県が FN になったか答えよ。
2. 理解度チェック 1：問 1 の閾値を「人口 200 万」に上げると、 Precision と Recall は上がるか下がるか。 数式 $P=TP/(TP+FP)$ と $R=TP/(TP+FN)$ に基づき説明せよ。
3. やってみよう：3 クラス分類で、 「実 大県 → 予測 小県」のような 2 階層飛び越えた誤りを 0 にしたい。 重みづけ損失（重みを誤り距離の 2 乗にする）を加えてモデルを再学習したとき、 混同行列はどう変わるか予測せよ。
4. 自分で確かめる：47 県を訓練 35 県 / 検証 12 県に分け、 訓練で閾値を最適化、 検証で評価する。 訓練と検証の F1 差が 0.1 以上あれば 過学習。 何件分のシャッフルで安定するか実験せよ。
5. 練習問題 2：「偽陰性 (FN) のコスト = 偽陽性 (FP) のコストの 10 倍」というビジネス要件で、 F1 ではなく $F_\beta$ で評価する。 β をいくつにすべきか、 理由を 2 行で述べよ。
6. 理解度チェック 2：MCC = 0 が「ランダム予測と同等」を意味する理由を、 MCC の式 $\frac{TP \cdot TN - FP \cdot FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$ から説明せよ。 また MCC = -1 となる極端な状況を SSDSE-B で構成せよ。

📊 採点ルーブリック（自己採点用）

🔎 R632 追補：混同行列を実務報告で使う 8 つのチェックポイント

レポートやモデルカードに混同行列を載せるとき、 単に画像 1 枚を貼るだけでは読み手に伝わらない。 以下の 8 項目を必ず併記する。 これは医療画像 AI ガイドラインや金融モデルリスク管理（SR 11-7）が要求する最低限の情報セットでもある。

💬 上記 8 項目を漏れなく書くだけで、 「混同行列レポート」の品質は実務的に十分なレベルになる。 特に項目 5（誤分類事例リスト）と項目 7（サブグループ別 CM）は、 公平性監査や規制対応で必須となる情報。 報告の「最後の 1 ページ」にこの 8 項目を箇条書きで添えるのを習慣化したい。

📜 混同行列の歴史と派生指標の系譜

混同行列の概念は 1904 年の Karl Pearson による分類表が起源とされ、 1950 年代の信号検出理論（Tanner & Swets）で TPR/FPR と ROC 曲線が体系化された。 1975 年に Matthews が MCC を提案、 2007 年に Powers が Informedness / Markedness を整理、 2020 年代には不均衡データ向け Balanced Accuracy が標準指標として定着した。 現代の機械学習評価は、 すべて「2×2 表のどのセルをどう組み合わせるか」の派生として理解できる。

💬 100 年以上の歴史で混同行列が生き残ってきたのは、 「2×2 という最も単純な形」に分類問題のすべての情報が凝縮されているから。 派生指標は時代と分野により名前を変えるが、 元を辿ればすべて 4 つの整数 TP/FP/FN/TN の組み合わせ式。 新しい指標が出てきたら、 まず「これは TP/FP/FN/TN をどう組み合わせたものか」と問うのが理解の早道。

🏥 R632 追補：分野別「重視すべき指標」と現場での選び方

混同行列から導かれる指標群は無数にあるが、 分野ごとに「どの指標を主に見るか」が決まっている。 これを知らずに F1 だけ報告すると、 医療では「見逃しを軽視している」と即座に却下される。 以下は分野別の「最優先指標」と「最低限併記すべき指標」の一覧。

💬 SSDSE-B-2026 の例で「人口超過県の予測」を考えれば、 行政の予算配分なら Recall を重視（取りこぼした県の不利益が大きい）、 観光プロモーション選定なら Precision を重視（投資対効果優先）、 統計年報の自動分類なら Macro F1 重視（全カテゴリの平均的品質）と、 業務要件によって指標選択が分かれる。 「混同行列をどう料理するか」が分野固有の知恵。

💰 コスト行列を組み合わせた最適閾値選択

混同行列の 4 セルに 各々のコスト（金額・時間・健康影響）を割り当てたものを コスト行列 (cost matrix) と呼ぶ。 期待総コストを最小化する閾値を選ぶのが、 ベイズ的決定理論の標準アプローチ。

期待総コスト = $TP \cdot c_{TP} + FP \cdot c_{FP} + FN \cdot c_{FN} + TN \cdot c_{TN}$。 これを閾値 t の関数として最小化する。 例えば医療がん検診（上記コストの場合）、 FN コストが他より 100 倍大きいため、 閾値を低くして Recall を 0.99+ に押し上げる選択が合理的。 一方、 行政予算配分なら FN 1500 と FP 200 の比は 7.5:1 で、 Recall 寄りだが極端ではない閾値が最適。 コスト行列を明示すれば、 「F1 か Recall か」の議論は数値で自動決定される。

🎯 R632 追補：このページの締め — 混同行列を「単なる 2×2 表」で終わらせない

本ページは混同行列を起点に、 11 の派生指標 → 3×3 多クラス拡張 → 不均衡データの罠 → 閾値スイープ → 分野別指標選択 → コスト行列まで体系的に展開した。 SSDSE-B-2026 47 都道府県データを通底させることで、 「数式の上で何が動くか」と「47 県のどの県がどう誤分類されるか」が常に対応するように設計している。

混同行列の本質は 「4 つの整数で分類問題のすべてを表現できる」こと。 ROC 曲線・PR 曲線・F1・MCC・Cohen κ・mAP — どれも 4 セルの組み合わせの違いに過ぎない。 新しい指標に出会ったとき「これは TP/FP/FN/TN をどう料理したものか」と問えば、 必ず正体が見える。 本ページの 12 ブロックを 1 巡したあと、 自分のデータで混同行列を書き、 各指標を手計算してみると、 概念は完全に身につく。

次に学ぶべき関連語は、 同カテゴリでは ROC 曲線・PR 曲線・F1 スコア・MCC、 上位概念では 分類モデル評価・不均衡データ学習・公平性監査、 派生では マルチラベル分類・物体検出評価指標 (mAP)・キャリブレーションがある。 すべて本ページの「混同行列」を土台に積み上がる。

実務で迷ったら、 ① まず混同行列をプレーンに表示 ② クラス分布と base rate を併記 ③ 業務要件に応じた指標を 1 つ選定 ④ 95% 信頼区間と感度分析を添える ⑤ サブグループ別 CM で公平性を確認 — この 5 工程をテンプレ化すれば、 どの分野でも一定品質の評価レポートが書ける。 「accuracy 一発報告」からの卒業がこのページの目標。

🌐 関連手法・派生

🌐 多クラス混同行列 — K×K 表への拡張

2 クラスを K クラスに拡張すると混同行列は K×K。 SSDSE-B-2026 を題材に「47 都道府県を 大県 / 中県 / 小県 の 3 クラス分類」をやる。

このコードでやること：人口で 3 クラスに分け (大: 300 万超、 中: 100-300 万、 小: 100 万未満)、 出生数 + 転入数の閾値ベースルールで予測。 3×3 混同行列と macro/micro F1 を比較する。

📥 入力データ (2023 年 47 県):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix, classification_report

def to_class(pop):
    if pop < 1000000: return 0
    elif pop < 3000000: return 1
    else: return 2

def predict(births):
    if births < 5000: return 0
    elif births < 25000: return 1
    else: return 2

y_true = d23['A1101'].apply(to_class).values
y_pred = d23['A4101'].apply(predict).values

cm = confusion_matrix(y_true, y_pred)
print('3-class CM:\n', cm)
print()
print(classification_report(y_true, y_pred, target_names=['小','中','大'], digits=3))

📤 実行例:

💬 結果の読み方: 全体 accuracy=0.915。 「小」と「大」の Recall がともに 0.800 で最も低く、 各 10 県のうち 2 件ずつを「中」と誤分類している。 macro F1=0.903 は 各クラスを同等扱い、 weighted F1=0.913 は サンプル数で重み付け。 中クラス (27 県) の Recall=1.000 が全体を押し上げている。

🎨 normalize 引数で「行%」「列%」表示

このコードでやること：normalize='true' (行で正規化 = 各実クラスの Recall を直読み)、 'pred' (列で正規化 = Precision を直読み)、 'all' (総数で正規化 = 確率分布)、 の 3 種を比較。

1
2
3
4
5

for mode in ['true','pred','all']:
    cmn = confusion_matrix(y_true, y_pred, normalize=mode)
    print(f'normalize={mode!r}:')
    print(np.round(cmn,3))
    print()

📤 実行例:

💬 結果の読み方: 行正規化では 「大県の Recall が 0.80」と直読、 列正規化では 「中と予測した中で 87% が本物」と直読できる。 ヒートマップで可視化する時は 'true' が定石 (「実際に病気の人を何%発見?」が直感的)。

⚖️ 不均衡データでの「accuracy トラップ」

クラス比 95:5 のデータで「全件陰性予測」すると accuracy=95% だが、 陽性を 1 件も拾えない (Recall=0)。 これが accuracy paradox。 混同行列を見ない限り気づけない。 SSDSE-B-2026 で人工的に不均衡を作って実演する。

このコードでやること：47 県のうち「東京・大阪・神奈川 = 陽性 (3 件)」「その他 44 件 = 陰性」という極端な不均衡を作り、 「全件陰性予測」「ランダム予測」「人口 ≥ 800 万予測」の 3 ルールを比較する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

from sklearn.metrics import matthews_corrcoef, balanced_accuracy_score

y_true = (d23['A1101'] >= 8000000).astype(int).values   # 4 件のみ陽性
print('陽性数:', y_true.sum(), '/', len(y_true))

# ルール A: 全件陰性
y_pred_a = np.zeros_like(y_true)
# ルール B: ランダム (50%)
np.random.seed(42)  # 比較目的での seed
y_pred_b = np.random.randint(0, 2, size=len(y_true))
# ルール C: 人口 ≥ 800 万予測
y_pred_c = (d23['A1101'] >= 8000000).astype(int).values

for name, yp in [('A:全陰',y_pred_a),('B:ランダム',y_pred_b),('C:人口閾値',y_pred_c)]:
    cm = confusion_matrix(y_true, yp)
    if cm.shape == (2,2):
        tn, fp, fn, tp = cm.ravel()
    else:
        tn, fp, fn, tp = 43,0,4,0
    acc = (tn+tp)/47
    rec = tp/(tp+fn) if (tp+fn)>0 else 0
    pre = tp/(tp+fp) if (tp+fp)>0 else 0
    f1 = 2*pre*rec/(pre+rec) if (pre+rec)>0 else 0
    mcc = matthews_corrcoef(y_true, yp)
    bacc = balanced_accuracy_score(y_true, yp)
    print(f'{name}: Acc={acc:.3f} Prec={pre:.3f} Rec={rec:.3f} F1={f1:.3f} MCC={mcc:.3f} BAcc={bacc:.3f}')

📤 実行例:

💬 結果の読み方: ルール A (全陰) は accuracy=0.936 と一見高いが F1=0、 MCC=0、 BAcc=0.500 で「無価値」が露見。 ルール B (ランダム) は accuracy=0.447 と低く Recall=0.333、 MCC も負。 ルール C (実は本物の閾値) は全指標 1.000。 不均衡データでは accuracy だけ見るな、 F1 / MCC / BAcc / PR-AUC を必ず併用、 が混同行列教えてくれる教訓。

💰 コスト感度型混同行列 — TP/FP/FN/TN の価値が違う場合

実務では「FN (見逃し) のコストが FP (誤検知) の 10 倍」のように非対称。 例えば医療診断:癌見逃し (FN) は死亡、 誤検知 (FP) は検査追加で済む。 この時 コスト行列を CM に乗算して最小化する。

このコードでやること：47 県 (人口 150 万超 = 陽性) について、 FN コスト = ¥10M (見逃した支援県の人口減速を補えない)、 FP コスト = ¥1M (不要な補助金支出) と仮定し、 閾値変化での 総コストを算出する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

y_true = (d23['A1101'] >= 1500000).astype(int).values
COST_FN, COST_FP = 10_000_000, 1_000_000

print(f'{"閾値":>6} {"FN":>3} {"FP":>3} {"総コスト":>12}')
for thr in [5000, 6000, 7000, 8000, 9000, 10000, 11000, 12000]:
    yp = (d23['A4101'] >= thr).astype(int).values
    cm = confusion_matrix(y_true, yp)
    tn, fp, fn, tp = cm.ravel()
    cost = fn*COST_FN + fp*COST_FP
    print(f'{thr:>6} {fn:>3} {fp:>3} {cost:>12,}')

📤 実行例:

💬 結果の読み方: 総コスト最小は閾値 8000 (¥200 万) で、 F1 最大 (0.960) の閾値と一致する。 FN コストを FP と同額 (1:1) にしても FN+FP が最小の 8000 が最適のまま。 「業務コストを混同行列に反映」することで、 統計的最適点と業務的最適点を比較できる。 これが cost-sensitive learning。

❓ Deep FAQ — 混同行列の現場 14 問

🔗 関連用語（前提・並列・発展）

📥 前提となる用語

🔄 並列・対比される用語

🚀 発展・応用される用語

🔗 さらに広げる関連用語

• 適合率・再現率
• F1 スコア
• AUC / ROC
• 正解率
• クラス不均衡
• 分類
• 評価指標
• バリデーションデータ
• RMSE (回帰評価)
• バイアス-バリアンス
• 強化学習
• 機械学習の基礎
• アノテーション
• データサイエンス
• AI 倫理

📋 混同行列チートシート — どの状況で何を見るか

⚡ 5 分で復習: 混同行列 Quickref

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 評価指標 — 混同行列の上位
• 📚 用語集トップ — カテゴリ別の一覧
• 🗺️ 概念マップ — 全体の繋がりを俯瞰

🕰 歴史的経緯

🏗 実応用ケース

📊 詳細比較・対比表

❓ よくある質問（FAQ）

📚 参考リソース・推薦文献

💎 実務でのベストプラクティス

🛠 ステップバイステップ実装ガイド

📖 ケーススタディ：SSDSE-B-2026 47 都道府県分析

📝 チートシート（瞬時に思い出す）

🔍 深掘り Q&A：実務で必ず出る疑問

🧠 自分で確かめる演習（SSDSE-B-2026 使用）

🎯 混同行列の「4 セル」が生む全指標

混同行列 (confusion matrix) は 分類モデルの全評価指標の根。 2×2 表に過ぎないが、 ここから precision / recall / F1 / accuracy / specificity / NPV / FPR / FNR / MCC が すべて代数的に導出される。 本セクションでは「適合率」「AUC」「F1」のページから飛んできた読者向けに、 根源としての CM を SSDSE-B-2026 47 都道府県データで徹底的に掘る。

📐 4 セルから 11 指標へ — 一覧

🔬 数式を言葉で読み解く — Precision と Recall のトレードオフ

Precision $P = TP/(TP+FP)$ は「陽性と叫んだ件数のうち本当だった割合」、 Recall $R = TP/(TP+FN)$ は「本物の陽性のうち拾えた割合」。 スパムフィルタを例にすれば、 厳しいフィルタ (閾値を高く) は P 高 R 低 → 「迷惑メールは確実にスパムだが本物のスパムを 30% 見逃す」。 緩いフィルタは P 低 R 高 → 「すべて拾うが正規メールも 5% スパム判定」。 F1 はこの 2 つの 調和平均で、 どちらが 0 でも F1 = 0 になるため「P と R の両方が高くないと評価しない」厳しい指標。

🧮 実値で計算してみる — SSDSE-B-2026 で「人口 100 万超県」を二値分類

このコードでやること：47 都道府県を「人口 150 万超 = 大県 (label=1)」「150 万以下 = 小県 (label=0)」に分け、 「出生数 A4101 ≥ 7000 なら大県と予測」する単純ルールの混同行列を計算する。

📥 入力データ (2023 年 47 県の一部):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

import pandas as pd
from sklearn.metrics import confusion_matrix, precision_score, recall_score, f1_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df.columns = ['Year'] + list(df.columns[1:])
d23 = df[(df['Year']==2023) & (df['Code']!='R00000')]

y_true = (d23['A1101'] >= 1500000).astype(int).values
y_pred = (d23['A4101'] >= 7000).astype(int).values

cm = confusion_matrix(y_true, y_pred)
tn, fp, fn, tp = cm.ravel()
print('Confusion Matrix:')
print(f'             pred 0  pred 1')
print(f'true 0       {tn:4d}    {fp:4d}')
print(f'true 1       {fn:4d}    {tp:4d}')
print()
print(f'Accuracy : {(tn+tp)/(tn+fp+fn+tp):.4f}')
print(f'Precision: {precision_score(y_true,y_pred):.4f}')
print(f'Recall   : {recall_score(y_true,y_pred):.4f}')
print(f'F1       : {f1_score(y_true,y_pred):.4f}')

📤 実行すると次の出力が得られる:

💬 結果の読み方: TP=24, TN=19, FP=4, FN=0。 Recall=1.000 → 大県 (人口 150 万超) を 1 つも見逃さない。 Precision=0.857 → 大県と予測した 28 件中 24 件が正解 (4 件は出生数 7000+ だが人口 150 万未満で誤検知)。 「滋賀・山口・長崎・沖縄」の 4 県が FP に入っている。 F1=0.923 と高水準だが、 Recall を保ったまま Precision を上げるには閾値を「出生数 ≥ 8500」等に厳しくする。

🐍 閾値を動かして混同行列がどう変化するかを観察

このコードでやること：出生数の閾値を 5,000〜12,000 で動かし、 各閾値での Precision / Recall / F1 を表示する。 閾値最適化の本質を体感できる。

1
2
3
4
5
6
7
8
9

print(f'{"閾値":>6} {"TP":>3} {"FP":>3} {"FN":>3} {"TN":>3} {"Prec":>6} {"Rec":>6} {"F1":>6}')
for thr in [5000, 6000, 7000, 8000, 9000, 10000, 11000, 12000]:
    yp = (d23['A4101'] >= thr).astype(int).values
    cm = confusion_matrix(y_true, yp)
    tn, fp, fn, tp = cm.ravel()
    P = tp / (tp+fp) if (tp+fp)>0 else 0
    R = tp / (tp+fn) if (tp+fn)>0 else 0
    F = 2*P*R/(P+R) if (P+R)>0 else 0
    print(f'{thr:>6} {tp:>3} {fp:>3} {fn:>3} {tn:>3} {P:>6.3f} {R:>6.3f} {F:>6.3f}')

📤 実行例:

💬 結果の読み方: 閾値 5,000 → 12,000 と上げるにつれ、 Precision は 0.62 → 0.93、 Recall は 1.00 → 0.58。 F1 は閾値 8000 で 0.960 が最高。 「Recall を 1.0 に保ちつつ Precision を上げたい」なら閾値 8000〜9000 (F1=0.960)、 「FP を最小化したい」なら閾値 10000 以上 (FP=1、 Prec≈0.95) という意思決定が混同行列から直接導出できる。

📚 業務指標翻訳テンプレ (8 例)

技術担当が「F1=0.85」と言っても経営層には伝わらない。 「Recall=0.91、 つまり 離脱見込み顧客 100 人中 91 人を事前検知でき、 Precision=0.78、 つまり アタックリスト 100 件中 78 件が本物」という業務翻訳が DS の腕の見せ所。

🎯 まとめ — 混同行列を「読む」「使う」「翻訳する」

本ページで扱った内容を 3 段階で振り返る:

1. 読む — 2×2 (TP/FP/FN/TN) と K×K の構造、 sklearn の confusion_matrix、 行/列正規化の使い分け。 47 県 SSDSE-B-2026 で例示。
2. 使う — Accuracy / Precision / Recall / F1 / MCC / BAcc / Cohen κ を 状況に応じて選択。 不均衡時は accuracy を信頼しない。
3. 翻訳する — 「Recall=0.91」を「離脱見込み 100 人中 91 人を事前検知」のように経営層へ翻訳。 コスト感度 CM で業務 KPI と接続。

最後に、 混同行列は 分類モデル評価の根であることを思い出してほしい。 ROC/PR 曲線も、 F1 も、 MCC も、 すべてここから派生する。 「CM が読めれば分類モデルが分かる」と言って過言ではない。

🖼️ R632 追補：混同行列の 3 図（散布・分布・多群比較）

本セクションは SSDSE-B-2026 47 都道府県データで「人口 150 万超」を陽性クラスに据え、 単純ルール分類器（出生数 A4101 で閾値分類）の挙動を 3 枚の図で確認する。 ここを読めば、 数値表だけ見て分かりにくかった「FP がどこに固まっているか」「閾値を動かすと何が起こるか」「地方ブロックで挙動が違うか」が一望できる。

図 1: 出生数 vs 人口 — 混同行列の 4 セルを散布図で見る

横軸を「出生数 A4101」、 縦軸を「人口 A1101」とした散布図上で、 閾値（出生数 7,000、 人口 150 万）の十字線を引くと、 47 県は TP / FP / FN / TN の 4 象限に一意に配置される。 各象限の点数を数えれば、 そのまま混同行列の 4 セルが出る。

💬 読み方：右下に少数の点（FP）、 左上にもごく少数（FN）が現れる。 混同行列を「数」だけで見ると 4 つの整数だが、 散布図上では 「どの県が誤分類されたか」を一目で特定できる。 沖縄県は出生率が全国 1 位で出生数が突出しているが、 人口は 147 万人で閾値ぎりぎり下にあるため FP として現れる典型例。

図 2: 予測スコアの分布 — TP と FP がどこで重なるか

分類器が出すスコア（ここでは「出生数 A4101」そのものを連続スコアとみなす）のヒストグラムを陽性クラス（label=1）と陰性クラス（label=0）に色分けすると、 2 つの分布の 重なり領域がそのまま「閾値をどう動かしても消えない誤分類の源泉」になる。

💬 読み方：閾値を 7,000 → 10,000 に引き上げれば FP は減るが FN が増える。 完全に分離する閾値は存在しない（沖縄が陽性側にはみ出し、 高齢化が進んだ大都市県が陰性側にはみ出す）。 ROC 曲線・PR 曲線はこの 「閾値をスライドした全状態」を 1 枚で描いたものだと理解すると腑に落ちる。

図 3: 地方ブロック別の精度 — Macro avg と Micro avg のズレ

47 県を 8 地方ブロック（北海道・東北・関東・中部・近畿・中国・四国・九州沖縄）に分け、 各ブロック内で混同行列を計算し F1 スコアの分布を箱ひげで示す。 ブロックによって F1 が大きくばらつく場合、 全国一律の閾値は不適切であることを意味する。

💬 読み方：陽性ゼロのブロックでは F1 が 未定義（0/0）になるため、 sklearn の zero_division 引数で挙動を明示する必要がある。 ブロック別の F1 を 単純平均すると Macro F1、 全県をプールして 1 個の混同行列から計算すると Micro F1（= Accuracy と一致するケースが多い）。 不均衡データでこの 2 つは 大きく乖離する。

🔢 R632 追補：多クラス混同行列 — 3 クラス（大県・中県・小県）への一般化

2 クラスの混同行列は 2×2 だが、 K クラスでは K×K に拡張される。 SSDSE-B-2026 を「大県（人口 ≥ 300 万、 8 県）・中県（100 万 ≤ 人口 < 300 万、 22 県）・小県（人口 < 100 万、 17 県）」に分け、 「出生数 A4101」を 3 階層の閾値（≥ 15,000 / 5,000〜15,000 / < 5,000）で予測する。 結果の 3×3 混同行列を読み解く。

📐 3×3 混同行列（SSDSE-B-2026 2023 年）

対角線（緑セル）が正答 = 7 + 18 + 15 = 40 県、 全体精度 Accuracy = 40/47 = 0.851。 非対角線が誤分類 = 7 県（1 + 1 + 3 + 2 = 7）。 多クラスでは「どこからどこへ誤ったか」が 非対角線の各セルに分解されるため、 例えば「中県 → 小県と誤った 3 県」が混同行列を見ればすぐ特定できる。

📐 クラス別の precision / recall / F1（One-vs-Rest 展開）

💬 Macro 平均（クラスサイズを無視した単純平均）= 0.856 と Weighted 平均（サイズで重み付け）= 0.851 がほぼ等しい。 クラス間で F1 が大きく違わないため「全体精度 = どのクラスでも同じ程度に効く」と読める。 もし大県の F1 が 0.3 で他が 0.9 なら、 Macro = 0.7 / Weighted = 0.85 と 1.5 倍以上の乖離が出る — 不均衡データの落とし穴。

🗺 概念マップ

(上位概念)
  ├── (同カテゴリ並列概念)
  ├── 【混同行列】 ← ここ
  │     ├── (派生 1)
  │     ├── (派生 2)
  │     └── (派生 3)
  └── (関連手法)

🎓 学習パス（推奨順）

🔗 隣接手法への橋渡し

「混同行列」は分類結果の TP/FP/FN/TN を 2×2 に並べた診断ツールで、 上流のクラス不均衡の確認と下流の指標選択 (Precision/Recall/F1) を組まないと、 精度 99% でも実務では使えないモデルを量産する。

• 上流: 混同行列 の入力となる人口 100 万人超予測の TP/FP/TN/FN を整える前処理 (データクレンジング、 欠損値処理)
• 並列: 類似目的を持つ代替手法 (正解率、 AUC) と比較・併用
• 下流: 出力結果の評価・解釈 (A/B テスト、 対立仮説)

上流でクラス分布と運用上の誤分類コストを整理し、 並列の ROC/PR 曲線で閾値の効果を可視化し、 下流で Precision/Recall/F1/Balanced Accuracy を運用要件に合わせて選べば、 医療診断・不正検知のようなコスト非対称タスクを評価できる。

🌳 手法選択フロー

「混同行列」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. 閾値は固定されているか
   固定なら混同行列で TP・FP・TN・FN を直接読む。 閾値を動かして比べたいなら、 混同行列 1 枚ではなく ROC 曲線か PR 曲線を使う。
2. 陰性が大多数か
   陰性が圧倒的なら ROC は楽観的に見えるので PR 曲線へ。 混同行列でも、 正解率ではなく Precision と Recall を読む。
3. クラスは 2 つか、 3 つ以上か
   多クラスでは行列が K×K になり、 どのクラスとどのクラスを取り違えているかが見える。 要約するときはマクロ平均かマイクロ平均かを明記する。
4. 誤りのコストは非対称か
   見逃しと誤検出でコストが違うなら、 混同行列の 4 マスに金額や工数を割り当てて期待損失で比べる。 指標 1 つに丸めない。

混同行列は「1 つの閾値でのスナップショット」。 人口 100 万人超を当てる例では 47 件しかないので、 各マスの件数が 1 桁になり比率が大きく揺れる点に注意。

🔎 さらに深掘り：混同行列を「行列そのもの」として読む