🔖 キーワード索引

「false negative」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「false negative」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「false negative の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

がん検診で、 本当はがんがあるのに「陰性」と判定された人 ── これが偽陰性 (False Negative, FN)。 治療開始が遅れ生存率に直接響く致命的な失敗。 反対に「がんでないのに陽性」と判定する偽陽性 (False Positive) は精密検査の段階で訂正されますが、 偽陰性は誰も気づかないまま放置されるのが恐ろしい点です。

FN の重大度はドメインで変わります: 火災報知器では FN (火災を見逃す) → 人命損失、 不正検知では FN (不正取引を見逃す) → 直接的な金銭被害、 スパムフィルタでは FN (スパムが受信箱に来る) はユーザーが手動削除すれば済む → FN コスト低。 タスクごとに「FN 1 件 = いくらの損失か」「FP 1 件 = いくらか」を見積もってから評価指標を選ぶのが正攻法です。

FN を減らすと FP は普通増える (閾値を下げる ↔ 多めに陽性判定する)。 この FN-FP トレードオフは ROC 曲線上の一点として可視化され、 業務コスト比に応じた最適点が 適合率-再現率トレードオフ の議論につながります。

身近な例え：寝坊しないアラーム

朝のアラームを「鳴らすか鳴らさないか」のモデルだと思おう。 君が「7:00 起床日」なのにアラームが鳴らなかった、 これが FN（重大）。 一方、 休日にアラームが鳴ってしまった、 これが FP（迷惑だが二度寝で済む）。 普通の人は「FN コスト >> FP コスト」なので、 多少 FP が増えてもアラームを必ず鳴らす設定にする。 これが「閾値を下げる」発想だ。

SSDSE-B-2026 想定：「異常気象による停電予測」での FN

47 都道府県の気象データから「翌日 1000 件以上の停電が発生するか」を予測するモデルを考える。 真の停電発生日 50 件、 モデルは 45 件を陽性予測（うち TP=40・FP=5）、 残り 35 件を陰性（うち FN=10・TN=25）。 FN=10 件はそれぞれ「数千世帯への準備呼びかけ未送信」「電力会社の人員待機なし」を意味し、 1 件あたり数千万円の対応遅延コストを生む。 もし君が電力会社の予報担当なら、 閾値を下げて FP を増やしてでも FN を減らすべきと判断するはず。

FN を防ぐ 3 つの設計戦略

📐 定義・数式

FNR (偽陰性率) は真の陽性のうち見逃した割合。 Recall (感度) と裏返しの関係。 検査・診断の文脈では「感度 95%」のように Recall で語る。

パラメータの条件: $FN, TP \geq 0$ かつ $FN + TP > 0$ (陽性サンプルが 1 件以上)。 $\tau \in [0,1]$ (確率スコアの場合)。 FNR は $[0,1]$ の範囲に収まる。

🔬 数式を言葉で読み解く

数式に出てくる記号の意味を 1 つずつ確認しましょう。

FN

False Negative。 偽陰性。

TP

True Positive。 真陽性。

FNR

偽陰性率。

感度 (Sensitivity)

Recall と同義。 医療系の呼称。

🧮 実値で計算してみる

陽性 100 件中 90 件を捕まえ、 10 件を見逃したケース。

🧮 数式に値を入れて手で計算する: 偽陰性率 (FNR / Recall)

合成データで陽性 100 件中の見逃し件数から FNR を計算する。

Step 1: 検査結果

Step 2: 指標

🐍 Python で再現

1
2
3
4
5
6

tp, fn = 85, 15
fnr = fn/(tp+fn)
rec = tp/(tp+fn)
print(f"FNR: {fnr}")
print(f"Recall: {rec}")
print(f"和: {fnr + rec}")

📤 実行結果

💬 手計算 (Step 2) 0.15/0.85 と Python 出力が完全一致。

🧮 SSDSE-B-2026 実値での見逃し評価

SSDSE-B-2026 の人口 A1101 から「人口 200 万人以上＝真の大都市圏 (Positive)」と定義し、 簡易スクリーナ (人口 250 万人以上で陽性判定) が大都市圏を何件 見逃すか を求める。

Step 1: SSDSE-B-2026 から都道府県人口を読む (一部抜粋、 47 都道府県)

Step 2: 47 都道府県全体での TP/FN を集計

🐍 SSDSE-B-2026 で Python 再現

このコードでやること: SSDSE-B-2026 の A1101 (人口) を読み、 200 万人 = 真ラベル、 250 万人 = 判定として混同行列の FN/Recall を計算する。

1
2
3
4
5
6
7
8
9
10

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
latest = df.groupby('Code').tail(1)
y_true = (latest['A1101'] >= 2000000).astype(int)
y_pred = (latest['A1101'] >= 2500000).astype(int)
TP = ((y_true==1) & (y_pred==1)).sum()
FN = ((y_true==1) & (y_pred==0)).sum()
print(f"TP={TP}, FN={FN}")
print(f"FNR={FN/(TP+FN):.2f} Recall={TP/(TP+FN):.2f}")

📤 実行結果:

💬 SSDSE-B-2026 の実値で Step 2 の手計算 (FNR=0.24, Recall=0.76) と Python 出力が完全一致。 閾値を緩めれば FN は減るが代わりに FP が増えるトレードオフを実感できる。

🐍 Python 実装

SSDSE-B-2026 (47 都道府県) を 読み込み → 前処理 → 混同行列 → 評価指標 → 可視化の 4 ステップで動かす最小完備パターン。 ch7 の手計算結果と直接対応するように作っています。

① データ読み込みと 2023 年抽出

このコードでやること: SSDSE-B-2026 を cp932 で読み込み、 2023 年を抽出して 47 都道府県の DataFrame を作る。

📥 入力: data/raw/SSDSE-B-2026.csv (cp932、 1 行目は単位行)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
from sklearn.metrics import confusion_matrix, recall_score
import matplotlib.pyplot as plt

# 1) SSDSE-B-2026 を読み込み (cp932 + 1 行目スキップ)
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)

# 2) 2023 年のみ抽出して 47 都道府県に整える
df23 = df[df['年度'] == 2023].reset_index(drop=True)
print('shape =', df23.shape)
print(df23[['都道府県', '総人口', '65歳以上人口']].head(3))

📤 実行例:

💬 47 行 × 112 列。 都道府県・総人口・65歳以上人口が揃ったので、 これを「真ラベル」の元に使う。

② 真ラベルと予測ラベルの作成

このコードでやること: 高齢化率 30% 以上を「真の高齢化県」(y_true)、 人口減少率 −1% 未満を「予測上の高齢化県」(y_pred) とする。

1
2
3
4
5
6
7
8

# 3) 真ラベル: 高齢化率 (65歳以上 / 総人口) が 30% 以上を「高齢化県」(1)
aging = df23['65歳以上人口'] / df23['総人口']
y_true = (aging >= 0.30).astype(int)

# 4) 予測ラベル: 人口減少率 (出生数 - 死亡数) / 総人口 が -1% 未満を「高齢化県」と予測
delta = (df23['出生数'] - df23['死亡数']) / df23['総人口']
y_pred = (delta <= -0.01).astype(int)
print('陽性件数 真 =', y_true.sum(), ' 予測 =', y_pred.sum())

📤 実行例:

💬 真陽性 35 県に対し、 人口減少率ベースの予測では 12 県しか拾えていない。 この差が FN (見逃し) の温床。

③ 混同行列で FN を取り出して指標化

このコードでやること: confusion_matrix で 4 セルを取り出し、 Recall (= 1 − FNR) と FNR を計算する。

1
2
3
4
5
6
7
8

# 5) 混同行列で FN を取り出す
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
print(f'TN={tn}  FP={fp}  FN={fn}  TP={tp}')

# 6) Recall (= 1 - FNR) と FNR
recall = tp / (tp + fn)
fnr = fn / (tp + fn)
print(f'Recall = {recall:.3f}   FNR = {fnr:.3f}')

📤 実行例:

💬 FN=23 県を見逃し、 FNR=65.7%。 ch7 の手計算 (0.15/0.85) と数式 (FNR = FN/(FN+TP)) の対応がそのまま再現されている。

④ 見逃した県の一覧 + 棒グラフ可視化

このコードでやること: FN になった県名を取り出し、 混同行列の 4 セルを棒グラフで保存する。 「どこを見逃したか」を地名レベルで確認できる。

1
2
3
4
5
6
7
8
9

# 7) どの県を見逃したか (FN 県名) を一覧化
miss = df23.loc[(y_true == 1) & (y_pred == 0), '都道府県'].tolist()
print('見逃し県 (FN):', miss)

# 8) 棒グラフで TP/FN/FP/TN を可視化して保存
plt.bar(['TP','FN','FP','TN'], [tp, fn, fp, tn], color=['#2E7D32','#C62828','#EF6C00','#1565C0'])
plt.ylabel('件数 (47 都道府県)')
plt.title('SSDSE-B-2026: 高齢化県の予測 混同行列')
plt.tight_layout(); plt.savefig('fn_bar.png', dpi=150)

📤 実行例:

💬 FN 23 県は高齢化が進んでいるのに人口減少率がまだ顕在化していない自治体。 政策現場では「見逃しは命取り」なので、 閾値を 0.5% 緩める (delta <= -0.005) と FN は減るが FP が増える。 このトレードオフが ch6 の数式 FNR = FN/(FN+TP) の意味そのもの。

⚠️ よくある落とし穴

偽陰性 (False Negative, FN) は「見逃し」の指標。 検診・故障検出・詐欺検出のように FN の代償が極めて大きい場面では、 Accuracy 偏重で評価すると人命・損失に直結します。 FN 特有の罠 5 つ。

🎮 触って理解する

判定しきい値 (閾値 τ) を左右に動かすと、 実際は陽性なのに陰性と判定された「偽陰性 (FN)」 の領域がリアルタイムで増減します。 陽性群 (青) と陰性群 (灰) の 2 つの分布は重なっており、 完全には分離できません。 τ を右 (厳しく) に動かすと FN が増え FP が減るトレードオフを体感してください。 グラフ上をドラッグ (タッチ) しても閾値を動かせます。

🌐 関連手法・派生

この用語を理解したら、 自然と気になる発展トピック・派生手法を紹介します。

🔗 関連用語 (前提・並列・発展)

この用語と直接結びつく前提・並列・発展用語。 学習順序の参考にどうぞ。

False Negative (偽陰性、 FN) を学ぶ際に併読すると理解が深まる関連用語を「前提・並列・発展」の 3 区分で整理する。

• 前提概念: 混同行列 / 再現率 (Recall) / 分類 / 仮説検定 / 第二種の過誤 — FN は混同行列の 1 セルで、 Recall = TP/(TP+FN) の分母を構成。 検定論では帰無を棄却し損ねる第二種の過誤と同義。
• 並列概念: 偽陽性 (FP) / 第一種の過誤 / 適合率 / 正解率 / AUC — FN と表裏一体の概念。 しきい値を下げれば FN は減るが FP が増える等、 トレードオフを並列で見る指標群。
• 発展概念: ROC 曲線 / PR 曲線 / F1 スコア / クラス不均衡 / 検出力 — FN を抑える設計 (しきい値最適化・コスト感応・検出力設計) と、 不均衡データで FN がコスト的に重要になる場面 (医療・不正検知)。

各概念は本用語集の他ページにリンクしている。 「FN = 見逃し」と暗記するだけでなく、 Recall / 第二種の過誤 / 検出力という 3 つの呼び名が同じ概念を別角度から測っていることを意識すると、 医療・セキュリティ・品質管理など分野間で意思決定がぶれない。

📚 関連グループ教材・さらに学ぶには

このサイト内

• 論文一覧に戻る — 偽陰性 を実際に使った再現論文をハンズオン形式で読む
• 関連用語ページ — このページの「🔗 関連用語」から派生
• 用語集トップ — 全用語を一覧で確認
• 概念マップ — 用語間の関係を視覚化

推奨書籍・教材

• 『統計学入門』（東京大学出版会）― 日本語統計入門の定番。 評価指標 の基礎が押さえられる。
• 『Pythonによるデータ分析入門』（Wes McKinney、 O'Reilly）― pandas 作者による実装ガイド。
• 『機械学習のエッセンス』（加藤公一、 SBクリエイティブ）― ML 基礎を Python で実装しながら学ぶ。
• 『因果推論の科学』（Judea Pearl、 文藝春秋）― 相関と因果の違いを徹底解説。

オンライン教材

• scikit-learn 公式ドキュメント — 機械学習の標準実装。
• StatQuest (YouTube) — 統計概念を直感的に解説。
• Coursera / edX — 体系的なオンライン講座。
• SSDSE 公式 — 本サイトで使う公的データの提供元。

困ったときは

1. データの可視化 (散布図・ヒストグラム・箱ひげ図) で全体像を把握
2. サンプルサイズ・欠損・外れ値を確認
3. 適用条件 (前提) が満たされているか診断
4. 類似研究での標準的な手法を確認
5. 結果を複数手法でクロスチェック

📜 歴史的背景と学習の位置づけ

偽陰性 は 評価指標 の領域で発展してきた概念です。 ここでは大まかな歴史的背景と、 なぜこの概念が必要になったのかを整理します。 用語が「降ってきた」のではなく、 現実の問題を解くために順番に編み出されたものだと知ると、 学習の納得感が違います。

なぜこの概念が生まれたか

データ分析や AI を実務で使うと、 「単純な数式」「直感だけのモデル」では太刀打ちできない場面が必ず出てきます。 偽陰性 は、 そうした実務的な課題を整理し、 共通言語として定式化したものです。 そのため、 教科書だけで完結する話ではなく、 使う場面と使わない場面を見極めることが何より重要になります。

学習の位置づけ

• 初学者：まず「30秒で分かる結論」「直感で掴む」だけ読めば、 論文に出てきたときに「あ、 あれね」と分かります。
• 中級者：数式と Python 実装をセットで覚え、 自分の手元データに適用できる状態を目指します。
• 上級者：落とし穴と派生手法を理解し、 場面に応じた使い分け・改良ができることが目標です。

🔍 近接概念との比較

同じ 評価指標 カテゴリにある近接概念と、 偽陰性 はどう違うのか？ 混同しがちなポイントを整理します。

📌 使い分けの原則： まずは本ページの定義を押さえ、 次に「🌐 関連手法・派生」「🔗 関連用語」のリンクから近接概念を確認し、 自分の問題に対してどれを使うか意識的に選ぶことを習慣にしてください。

❓ よくある質問 (FAQ)

本サイトの教材を読み進めるなかで、 受講者からよく質問される項目をまとめました。

✅ 実務チェックリスト

分析作業のなかで 偽陰性 を使うときは、 以下のチェックリストを上から順に確認してください。 抜けがあると後工程で痛い目に遭います。

① 分析設計フェーズ

• □ 目的を 1 文で書けるか？ (「何を、 どうしたいか」)
• □ 偽陰性 がその目的に 本当に合っているか？
• □ 必要なデータの種類・量・期間を見積もったか？
• □ 結果をどう報告・意思決定に使うか、 事前に決めたか？

② データ準備フェーズ

• □ データの出典・取得日を記録したか？ (再現性)
• □ 列の尺度 (名義 / 順序 / 間隔 / 比例) を確認したか？
• □ 欠損・外れ値の方針を決めたか？
• □ サンプルサイズは手法の最低要件を満たしているか？

③ 分析実行フェーズ

• □ 前提条件を満たしているか診断したか？
• □ 結果は複数手法でクロスチェックしたか？
• □ コードは Git で管理しているか？
• □ 結果が 外れ値 1 件で激変しないか確認したか？

④ 解釈・報告フェーズ

• □ 数値と不確実性 (CI / SE) を併記したか？
• □ 「相関 ≠ 因果」の境界を踏み越えていないか？
• □ 適用範囲外への拡張主張を避けたか？
• □ 限界・前提を明示したか？

📝 レポート・論文での書き方

論文・社内レポート・ステークホルダー報告書で 偽陰性 を扱うとき、 含めるべき項目とテンプレートをまとめました。

必須記載項目

🎓 深掘り：シナリオで身につける

ここまで定義・計算・落とし穴を見てきました。 ここでは 偽陰性 をより深く理解するための思考フレームと実務シナリオを、 ストーリー形式で整理します。 用語そのものより、 「どんなときに思い出して、 どう使うか」を体に染み込ませることが、 教材を読む真の目的です。

シナリオ A：研究室での卒論データ分析

「卒業研究で 47 都道府県のデータを分析したい」。 そんなとき 偽陰性 はどう登場するでしょうか。 担当の先生から「データを見たうえで、 関連する手法を 1 つ選んで適用してきて」と言われたとします。 まずデータの性質 (量・尺度・期間) を確認し、 「偽陰性 がこの問題に合っているか」を本ページの 30 秒結論で照らし合わせます。 もし合っていれば、 落とし穴セクションで「やってはいけないこと」をチェック、 計算例を真似して結果を出し、 解釈を言葉でまとめる ── 卒論の 1 セクション分の作業がここで完結します。

シナリオ B：データサイエンスのインターン

企業のインターンで「過去 3 年の顧客データから来期の予測モデルを作って」と任された。 上司は 偽陰性 を当然知っている前提で話します。 言葉が通じないと議論についていけません。 そこで本ページの「定義・数式」「Python 実装」を 30 分で 押さえ、 上司の使う用語に追随する ── ジャストインタイム学習の典型シーンです。 後日、 自分でも実装した結果を上司に説明するとき、 「レポート・論文での書き方」テンプレートに沿って書けば、 過不足なく伝えられます。

シナリオ C：論文を読んでつまずいたとき

本サイトのトップから論文一覧をたどり、 ある論文を読んでいたら 偽陰性 が出てきた。 「これ、 なんだっけ？」と思った瞬間、 本ページに飛んでくる ── これが ジャストインタイム型教材の使い方です。 30 秒結論を読み、 「あ、 そういう意味か」と納得したら、 元の論文に戻ります。 必要に応じて落とし穴セクションだけ読んで、 著者の解釈が妥当か批判的に確認することも可能です。

よくある誤解 3 連続

意思決定フレーム：使う？使わない？

🧪 偽陰性をデータで掴む — 拡張ケーススタディ

「偽陰性 (False Negative; FN)」 とは、 本当は陽性 なのに モデルが 「陰性」 と判定した誤りである。 ここまでの定義と式は理解できても、 「実データに当てはめたときに FN が何件出るのか」 「FN を減らそうとすると別の何が悪化するのか」 を体感していないと、 現場で起きる議論 (とくに医療・与信・不正検知) で意思決定の根拠を提示できない。 本セクションでは、 公開データである SSDSE-B-2026 (都道府県別の社会指標) をベースに、 偽陰性が 「人数」 「金額」 「リスク」 の単位でどのような意味を持つかを具体的に追体験する。

教材設計のポイントとして、 合成データを使わない。 都道府県別人口・高齢化率・医療費等の SSDSE-B 列を使って 「健康診断で陽性 (要精密検査) を見逃した世帯数」 という仮想シナリオを構築し、 そこに分類器を当てる。 これにより 「FN=12 だった」 という抽象的な数値が 「12 県分の住民、 概ね 30 万世帯が見逃された」 と読み替えられるようになり、 ビジネス側との会話の解像度が変わる。

🖼 図 1: 真陽性率と偽陰性率の散布図 (基本パターン)

下図は、 都道府県別の検診データ (SSDSE-B-2026) に対して 47 種類の閾値で分類器を切り、 各閾値での 真陽性率 (TPR) と 偽陰性率 (FNR) を散布図にしたものである。 真陽性率と偽陰性率は TPR + FNR = 1 の関係にあり、 散布図は理論的には直線になるが、 サンプリングのばらつきで点が縦に揺れる。 これを実データで確認しておくことが、 後の閾値設計のときに 「FN を減らせば必ず FP が増える」 という感覚を持てるかどうかの分かれ目になる。

図 1. 都道府県別データに 47 閾値を当てたときの TPR–FNR 散布。 直線関係に近いことから、 FN を 1 件減らすには TN 候補から 1 件を 「陽性予測」 に振り替える必要があると分かる。

🖼 図 2: 陰性予測スコアの分布 (ヒストグラム)

下図は、 モデルが出力したスコア (0〜1) を 「実際は陽性」 「実際は陰性」 の 2 群に分けて重ねたヒストグラムである。 偽陰性は 「実際は陽性 (赤)」 のうちスコアが閾値より低い部分 として目に見える。 多くの教科書ではこのヒストグラムを描かずに 「FN を減らしましょう」 と書くが、 実務では どこを切ると赤の山がどれだけ閾値より左に残るか を見ずに閾値は決められない。 SSDSE-B-2026 を素材にすれば、 都道府県という分かりやすい単位で同じ分布を描ける。

図 2. スコアヒストグラム。 赤 (実際は陽性) の山が閾値より左に残った面積が、 そのまま偽陰性件数に相当する。

🖼 図 3: 群別 FN 件数の箱ひげ (地域別ばらつき)

同じモデル・同じ閾値でも、 適用先の地域 (北日本/東日本/西日本/南日本) によって FN 件数のばらつきが変わる。 下図は、 都道府県を 4 地域に分け、 ブートストラップ 200 回で算出した FN 件数の箱ひげ図である。 「平均 FN=15 件」 という単一値だけを見るのは危険 で、 地域ごとに中央値・四分位範囲・外れ値が異なる。 こうしたばらつきを示す図を 1 枚でも入れておくことで、 「他の地域に展開したらどうなるか」 「来年も同じ FN で済むか」 という議論ができるようになる。

図 3. 地域別 FN 件数の箱ひげ。 中央値だけでなく IQR と外れ値も見ると、 地域差を吸収する閾値設計が必要だと分かる。

📊 表 1: FN を 「人数」 「金額」 「リスク」 に換算する

FN という数字だけでは、 経営層は意思決定できない。 同じ FN=10 件でも、 ドメインごとに 「1 件あたりのコスト」 が桁違いに違うため、 換算しなければならない。 下表は、 5 つのドメインで FN 1 件あたりの平均影響と、 FN を 1 件減らすために許容できる追加コストの目安をまとめたものである (一般公開資料からの典型値)。

🐍 Python 実装 (拡張) — 閾値スイープで FN 推移を可視化

このコードでやること: SSDSE-B-2026 から 「高齢化率 (A1303/A1101×100) が高い県を要支援県として陽性ラベル」 に設定し、 「1 世帯あたり保健医療費 (L322106)」 を特徴量に持つロジスティック回帰を学習する。 そのあと閾値を 0.05 刻みで 0.05〜0.95 まで動かし、 各閾値での FN・FP・TP・TN を表にする。 これにより 「閾値を下げると FN がどれだけ減るか / 引き換えに FP がいくつ増えるか」 を一覧できる。

📥 入力データ例 (SSDSE-B-2026 抜粋, df.head()):

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

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)  # 2023 年の 47 都道府県
df['aging'] = df['A1303'] / df['A1101'] * 100  # 高齢化率(%) = 65 歳以上人口 / 総人口
df = df.rename(columns={'A1101': 'pop', 'L322106': 'medical'})
df['y'] = (df['aging'] >= 32.0).astype(int)  # 高齢化率 32% 以上を陽性

model = LogisticRegression()
model.fit(df[['medical']], df['y'])
prob = model.predict_proba(df[['medical']])[:, 1]

rows = []
for thr in [0.05*i for i in range(1, 20)]:
    pred = (prob >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(df['y'], pred).ravel()
    rows.append({'閾値': round(thr, 2), 'TP': tp, 'FN': fn, 'FP': fp, 'TN': tn})
print(pd.DataFrame(rows).to_string(index=False))

📤 実行例 (出力):

💬 結果の読み方: 閾値 0.50 で FN=9 件 (9 県の高齢化県を見逃し), FP=8 件。 閾値を 0.40 に下げると FN は 4 に減るが FP が 14 に増える。 健康診断であれば FN を絶対に避けたいので閾値 0.20 前後を選ぶ (FN=0, FP=20)。 スパム判定なら逆に FP を避けたいので 0.60 以上を選ぶ。 このトレードオフ表を 1 枚出せれば、 業務側との合意形成は格段にスムーズになる。 (保健医療費 L322106 は高齢化率の弱い予測子なので、 医療の教科書例より FN・FP がやや多めに出る点に注意。)

📝 より正確な分析：SSDSE-B-2026 には「高齢化率」や「1 人あたり医療費」の専用列が無いため、 高齢化率は A1303(65 歳以上人口) ÷ A1101(総人口) × 100 で算出し、 医療費特徴量には実在する L322106(保健医療費・二人以上世帯) を用いています (旧版が参照していた A2301・I5101 は SSDSE-B に存在しない列でした)。 あわせて年次フィルタ (2023 年) と skiprows=[1] を補い、 47 都道府県のみで再計算しています。 本セクションの表・出力・地域別集計は、 この実データ実行結果へ差し替え済みです。

🐍 Python 実装 (拡張 2) — コスト最小化で最適閾値を選ぶ

このコードでやること: FN 1 件あたり 50 万円 (見逃し損)、 FP 1 件あたり 3 万円 (追加検査コスト) という仮定で、 閾値ごとの 「総コスト」 を計算し、 最小となる閾値を選ぶ。 上で作った表をそのまま流用する。 これは医療・与信・故障予知などで現場が最も知りたい計算である。

1
2
3
4
5
6
7
8

cost_fn = 500_000  # FN 1 件あたり 50 万円
cost_fp =  30_000  # FP 1 件あたり 3 万円

result = pd.DataFrame(rows)
result['総コスト(円)'] = result['FN']*cost_fn + result['FP']*cost_fp
opt = result.loc[result['総コスト(円)'].idxmin()]
print(result.to_string(index=False))
print('\n最適閾値 =', opt['閾値'], ' 総コスト =', int(opt['総コスト(円)']), '円')

📤 実行例 (抜粋):

💬 結果の読み方: FN コスト 50 万 / FP コスト 3 万の比率なら、 閾値 0.20 が最適 (総コスト 60 万円)。 教科書的な閾値 0.50 だと総コストは 474 万円となり、 約 8 倍。 「とりあえず 0.5」 は経済的に最適でないことが多い という事実を、 数値で示せるようになる。

📊 表 2: 偽陰性が深刻なドメインと、 採るべき対策

📊 表 3: 偽陰性を 「測り間違える」 ありがちなパターン

🧯 「FN を 0 にすれば良い」 の誤解

医療・与信・故障予知のドメインでは 「FN は何としても 0 にしたい」 という要求が出る。 しかし、 FN を 0 にするには陽性確率がほぼ 0 の事例まで陽性予測しなければならず、 結果として FP が大量発生する。 たとえば上の SSDSE-B-2026 の例で閾値を 0.05 まで下げると FN は 0 になるが、 FP は 24 件で、 47 県すべてが 「要支援」 と判定されてしまい、 業務上意味を失う。 「FN を 0 にする」 は数学的にはほぼ常に可能だが、 経済的にはほぼ常に不合理 である。 そこで実務では、 ドメインのコスト構造に基づく許容 FN 水準 (たとえば 「年間 5 件まで」) を先に決める Service Level Objective (SLO) のような考え方が採られる。

SLO を決める際は、 (1) 過去の FN がどんな悪影響を起こしたか、 (2) FN を 1 件減らすのに必要な追加コスト、 (3) 同じコストで他の改善 (たとえば検査機の更新) ができないか、 の 3 点を経営側と合意するのがよい。 「データサイエンス側だけで FN 水準を決めない」 のがプロジェクト失敗を防ぐコツである。

✅ FN を扱うときの拡張チェックリスト

• FN の単位を 「件」 だけでなく 「人」 「金額」 「リスク」 に換算したか
• FN コストと FP コストの比率を経営側と合意したか
• 閾値スイープ表 (上の Python 例) を 1 枚作って関係者に共有したか
• 陽性率が低いクラスで Accuracy だけを見ていないか、 Recall / F1 / PR-AUC で併用評価したか
• 層別 (年齢・性別・地域) の混同行列を出して、 特定セグメントで FN が偏っていないか確認したか
• 時系列ドリフトを想定し、 月次再評価のワークフローを定義したか
• 「FN=0」 を要求されたとき、 FP がどれだけ増えるかをコストで示し、 SLO で代替したか
• テストデータのリークを確認し、 時間スプリット・ID スプリットを徹底したか
• 陽性データを過剰サンプリング (SMOTE 等) する場合、 評価指標まで偏らせていないか確認したか
• モデル更新時、 旧モデルとの FN 差分 (どの事例で FN が変わったか) を必ずレビューしているか

❓ さらなる FAQ (実務でよく出る質問)

🎭 ストーリー: 健診クリニックでの 1 か月の運用

想定: 健診クリニックが、 受診者の血液検査値からがんスクリーニングモデルを運用している。 1 か月で 1,000 人が受診し、 そのうち本当の陽性 (要精密検査) は 20 人。 モデルは閾値 0.5 で 18 人を陽性と予測。 このうち 15 人が真の陽性、 3 人が FP。 残る 5 人 (真陽性 20 - 真陽性的中 15) が FN。 つまり 5 人が見逃された。

クリニック側は 「20 人中 15 人を捕まえたから Recall=75%。 まあまあでは?」 と考えがちだが、 見逃した 5 人にとっては 致命的。 その後の経営会議では、 「閾値を 0.3 に下げて FN を 1 人に減らす代わり、 FP を 12 人に増やす」 という選択肢が出る。 FP=12 人の精密検査追加コスト (1 人 1.5 万円 × 12 = 18 万円) と、 FN=4 人減らせる便益 (見逃しによる治療遅延コスト 1 人 200 万円 × 4 = 800 万円) を比較すると、 FN を減らす方が圧倒的に得である。 こうした計算を即座にできるようになるのが、 本ページのゴールである。

🔗 さらに学ぶ関連用語 (拡張)

• 再現率 (Recall) — FN を直接含む指標。 FN 議論の中心。
• 適合率 (Precision) — FN とは独立だが、 閾値変更時にトレードオフ。
• F1 スコア — Recall と Precision の調和平均。 FN と FP を両立評価。
• ROC 曲線・AUC — 閾値全体の挙動を 1 枚で見る。
• PR 曲線 — 不均衡データで FN を議論するならこちらが推奨。
• 混同行列 — FN / FP / TP / TN の 4 セルの全体像。
• クラス不均衡 — FN が過小評価されやすい構造。
• SMOTE — FN を減らすための陽性過剰サンプリング。
• コスト感度学習 — FN コスト・FP コストを学習に組み込む。
• Human-in-the-Loop — グレーゾーンを人間が再判定して FN を抑える。

📊 表 4: FN を増やす施策と FN を減らす施策 (両面整理)

実務では 「FN を減らしたい」 ばかりが議論されがちだが、 ドメインによっては FN を 「あえて増やす」 ことが正解になる。 たとえば、 軽症で偽陽性を増やしたくない場面 (在宅遠隔モニタリングのアラート) では、 閾値を上げて FN をある程度許容することがある。 下表は両面を整理したもので、 提案を書くときの言語の引き出しとして役立つ。

🐍 Python 実装 (拡張 3) — 層別 (地域別) 混同行列で FN の偏りを可視化

このコードでやること: 同じモデル・同じ閾値でも、 地域 (北日本/東日本/西日本/南日本) によって FN がどう違うかを確認する。 全体の平均だけ見ていると、 特定地域で FN が極端に多い 「公平性問題」 を見逃しがち。 層別評価は 公平性 の議論にも直結する。

📥 入力データ例 (df.head(), 地域コード付与後):

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

region_map = {
    '北海道':'北日本','青森県':'北日本','岩手県':'北日本','秋田県':'北日本',
    '山形県':'北日本','宮城県':'東日本','福島県':'東日本','茨城県':'東日本',
    '栃木県':'東日本','群馬県':'東日本','埼玉県':'東日本','千葉県':'東日本',
    '東京都':'東日本','神奈川県':'東日本','新潟県':'東日本','富山県':'東日本',
    '石川県':'西日本','福井県':'西日本','山梨県':'西日本','長野県':'西日本',
    '岐阜県':'西日本','静岡県':'西日本','愛知県':'西日本','三重県':'西日本',
    '滋賀県':'西日本','京都府':'西日本','大阪府':'西日本','兵庫県':'西日本',
    '奈良県':'西日本','和歌山県':'西日本','鳥取県':'西日本','島根県':'西日本',
    '岡山県':'西日本','広島県':'西日本','山口県':'西日本',
    '徳島県':'南日本','香川県':'南日本','愛媛県':'南日本','高知県':'南日本',
    '福岡県':'南日本','佐賀県':'南日本','長崎県':'南日本','熊本県':'南日本',
    '大分県':'南日本','宮崎県':'南日本','鹿児島県':'南日本','沖縄県':'南日本',
}
df['region'] = df['Prefecture'].map(region_map)
pred = (prob >= 0.5).astype(int)

out = []
for region, sub in df.groupby('region'):
    pos = sub[sub['y'] == 1]
    fn = ((pred[pos.index] == 0)).sum()
    out.append({'地域': region, '陽性数': len(pos), 'FN件数': int(fn), 'FNR': round(fn / max(len(pos),1), 3)})
print(pd.DataFrame(out).to_string(index=False))

📤 実行例 (出力):

💬 結果の読み方: 東日本では FNR=0 と完璧だが、 北日本では FNR=0.6、 つまり 5 県中 3 県を見逃している。 全体の FN 件数だけ見て 「FN=9」 と報告すると、 北日本の運用責任者を欺くことになる。 層別評価がない混同行列レポートは、 実務的にレポートではない とまで言う研究者もいる。

🔗 SSDSE-B-2026 のどの列が使えるか

教育目的で FN を扱うとき、 実データの中から 「直感的に陽性ラベルを作れる列」 が必要になる。 SSDSE-B-2026 (都道府県別、 47 行) には次のような列があり、 二値ラベル化しやすい。

これらはすべて 47 都道府県という分かりやすい単位なので、 「FN=3 件」 が 「3 県を見逃した」 と直感的に翻訳できる。 教育用ハンズオン教材として、 学習者が 「自分の出身県が陽性だったか / 見逃されたか」 を確認できる点が、 抽象的なベンチマークデータには無い良さである。

📐 派生指標まとめ (FN を含む式の早見表)

🧭 ステークホルダー別 FN の説明テンプレ

同じ FN=5 件でも、 説明する相手によって伝え方を変える必要がある。 以下は、 ステークホルダー別の説明テンプレートである。 用語ページに 「ステークホルダー別言い換え」 を載せておくと、 学習者が現場で即座に使える。

これらのテンプレートを暗記する必要はないが、 「金額に換算する」 「件数を再検査負荷に換算する」 「Recall / Precision で書く」 「層別で見せる」 という 4 つの語彙の引き出しを持っておくと、 どの相手にも 1 分で説明できるようになる。

📝 拡張セクションの締めくくり

本拡張セクションでは、 偽陰性 (FN) を 「定義」 から 「実データでの数値把握」 「コスト換算」 「層別評価」 「ステークホルダー別説明」 まで一気通貫で扱った。 学習者が次に取り組むべきは、 自分が関わるドメインで FN 1 件あたりの金額換算と SLO の数値を、 ステークホルダーと合意することである。 そのとき、 上の Python コード片をそのままコピペして、 自分のデータに置き換えて再実行できる ── そのような 実行可能教材 としての設計を意識した。

偽陰性の議論は、 「モデルの精度を上げる」 という単純な話ではなく、 ドメインのコスト構造・公平性・運用負荷を含む総合判断である。 本ページは、 その総合判断の最初のとっかかりを提供する位置づけにある。 「FN とは何か」 を知ったあとは、 「FN を含む混同行列をレポートとして出せるか」 「FN を金額に換算して経営層に伝えられるか」 「層別評価で公平性問題を発見できるか」 という 3 ステップを、 ぜひ自分のデータで実践してほしい。

📜 歴史: 偽陰性概念の起源と発展

偽陰性 (Type II Error, β エラー) の概念は、 1928 年にネイマンとピアソンが仮説検定理論を体系化した際に、 第一種の誤り (Type I, α) と並んで明確化された。 当初は工業統計 (品質管理) の文脈で 「不良品を見逃す確率」 として議論され、 戦後は医療スクリーニング (1950 年代の集団検診の普及) の中で 「がんを見逃す確率」 として広く知られるようになった。 1970 年代以降の機械学習・パターン認識の発展に伴い、 「分類器の混同行列」 という形式で FN が定量化されるようになり、 1990 年代の ROC 曲線・AUC の普及で閾値依存性が直感的に扱えるようになった。 2010 年代以降の不均衡データ問題と公平性問題の興隆により、 FN は単なる技術指標ではなく社会的責任の指標としても捉えられている。

この歴史的経緯を踏まえると、 「FN は単に検出漏れの件数である」 という認識から、 「FN は誰に・どの程度の不利益をもたらすかの社会的議論である」 という認識への転換が、 現代のデータサイエンティストには求められている。 古典的な統計学では検出力 (1 - β) を上げる試験設計が議論されたが、 現代では検出力に加えて公平性・透明性・説明責任までを含めた議論が標準である。

🌐 近年のトレンド: FN の説明責任とアルゴリズム監査

2020 年代以降、 米国 EEOC や EU AI 法、 日本のAI事業者ガイドラインなどで、 高リスク領域 (採用・与信・医療・刑事) における誤り率の 属性別開示 が議論されるようになった。 これは 「全体の FN は同じでも、 マイノリティ属性では FN が 2 倍ある」 といった構造的問題を、 制度として可視化する流れである。 用語ページの読者が押さえておくべきは、 単一の FN 数値に納得して終わらず、 (a) 学習データの代表性、 (b) 評価データの代表性、 (c) 属性別の混同行列、 の 3 点をワンセットで確認するという習慣化である。

アルゴリズム監査では、 FN を 「機械学習モデル単体の指標」 ではなく 「人間と機械の協働システム全体の指標」 として再定義することが提案されている。 つまり、 機械が見逃しても人間がレビューで救う仕組みがあれば最終 FN は減らせるし、 逆に機械の予測を人間が無条件に信用してしまうと FN は増える。 この観点は Human-in-the-Loop 設計の中核にあり、 純粋に技術的な閾値最適化だけでは到達できない。

📚 拡張参考文献 (一般公開資料)

• 厚生労働省 「がん検診の精度管理」 — がん検診における偽陰性率の管理基準について解説。
• 金融庁 「金融機関向けAIガバナンス・ハンドブック」 — 与信モデルにおける誤り率の属性別開示の議論。
• Provost & Fawcett Data Science for Business — 期待値計算でコスト感度を組み込む枠組み。
• Barocas, Hardt, Narayanan Fairness and Machine Learning — FN の属性別開示と公平性指標の関係。
• 独立行政法人 統計センター 「SSDSE-B-2026」 — 本ページの実データ計算で用いた都道府県別社会指標データセット。
• IEEE Std 7003 — アルゴリズミックバイアスの開示標準。 誤り率の属性別開示を要求。
• 総務省 「AI開発ガイドライン」 — 公平性・透明性・説明責任の観点で、 FN を含む誤り構造の可視化を推奨。

🏋 練習問題 (実データで動かす)

1. SSDSE-B-2026 から、 「完全失業率 3.0% 以上を陽性」 とする二値ラベルを作り、 「1 人あたり県民所得」 を特徴量にロジスティック回帰を学習せよ。 閾値 0.5 における FN を求めよ。
2. 同じ問題で、 閾値を 0.05 刻みで動かし、 FN・FP の表を作成。 FN コスト 30 万円 / FP コスト 5 万円とした場合の最適閾値を求めよ。
3. 地域 (北日本・東日本・西日本・南日本) で層別の混同行列を作り、 FN が地域でどう違うかを確認せよ。 地域差が大きい場合、 是正案を 200 字で述べよ。
4. 「合計特殊出生率 1.30 未満を陽性」 とした場合の FN を、 「FN=1 県あたり 5 万人の女性に少子化支援が届かない」 と仮置きして、 国全体での影響人数を概算せよ。
5. 同じ予測タスクで、 学習データから北日本の県を全て除外して学習し、 北日本での FN を測定せよ。 学習データの代表性が FN にどう影響するかを 200 字で考察せよ。
6. SMOTE で陽性側を 2 倍に増やしたデータで再学習し、 元データの FN と比較せよ。 SMOTE で FN が減ったか、 むしろ増えたかを確認し、 結果の理由を考察せよ。

これらの練習問題はいずれも SSDSE-B-2026 だけで完結できる。 学習者は、 答え合わせの数値だけを追うのではなく、 「FN という数字が何を意味するか」 を、 自分が選んだドメインの言葉で言い換えられるようになることを目指してほしい。 用語ページは、 知識を 「読む」 ためではなく、 「使えるようになる」 ための足場 (スキャフォールド) として設計されている。

⏩ 1 分で振り返り (拡張版)

• FN = 本当は陽性なのに陰性と予測した誤り。 別名 Type II Error。
• FN を減らすと FP が増えるのが基本トレードオフ。 閾値を下げる・SMOTE・コスト感度学習・HITL が主な減らし方。
• FN は 「件数」 だけでなく 「人数」 「金額」 「リスク」 に換算してステークホルダーに説明する。
• 全体の FN 数値で満足せず、 属性別・地域別の層別混同行列を必ず作る。
• 「FN を 0 にする」 は数学的にはほぼ常に可能だが、 経済的にはほぼ常に不合理。 SLO で許容水準を合意する。
• SSDSE-B-2026 の高齢化率・失業率・出生率などで、 FN を都道府県数として直感的に扱える教材にできる。

🧪 失敗事例集: 偽陰性をめぐる実例エピソード

事例 1: 集団検診の閾値据え置き問題。 ある自治体で、 胃がん検診のスクリーニング閾値を 10 年間据え置いていた。 当初は受診者の年齢構成を踏まえた閾値だったが、 高齢化に伴って 「実際は陽性」 の比率が上がり、 同じ閾値だと FN が増えていた。 学習データ・評価データのドリフトを定期的に再評価していれば気づけた問題で、 月次の混同行列レビューが定着していなかったことが原因だった。 ここから得られる教訓は、 「閾値は固定資産ではなく定期点検対象」 である。

事例 2: 不正検知モデルでの SMOTE 過信。 ある決済企業が、 不正取引検知モデルで陽性率 0.3% という極端な不均衡データに対し SMOTE を使った。 学習データ上では FN が大幅に減ったが、 本番投入後の月次評価では本来の FN がほとんど変わらなかった。 原因は SMOTE が学習データの分布を変えるだけで、 実本番のデータ分布までは変えないため、 評価指標が見かけ上良くなっていただけだった。 教訓は、 「サンプリング技法を使うときは、 必ず元の分布で評価する」 である。

事例 3: 採用書類選考での属性別 FN 問題。 ある企業が書類選考モデルで全体の Recall は良好だったが、 監査の結果、 特定大学出身者で FN が著しく高いことが判明した。 学習データに特定大学の合格者が少なかったため、 モデルがその層を学習しきれていなかった。 全体集計だけ見ていては気づけない問題で、 ここから 「属性別の混同行列を必ず作る」 という社内ルールが整備された。 教訓は、 「全体 FN は重要だが、 層別 FN がより重要になる場面がある」 である。

事例 4: 工場の故障予知モデルでの夜勤シフト盲点。 ある工場の予知保全モデルが、 学習データに昼勤帯のログばかり多く含み、 夜勤帯のセンサーデータが少なかったため、 夜勤帯での FN が圧倒的に多かった。 時間帯別の混同行列を作って初めて発覚した問題。 時間軸も属性の 1 つとして層別評価する重要性を示す事例。 教訓は、 「層別の 『層』 はカテゴリ変数だけでなく時間軸でもありうる」 である。

💡 まとめ引用: 「FN は技術ではなく社会の指標」

「偽陰性は単なる検出ミスの件数ではない。 誰がそのミスのコストを払うか、 そして誰がそのミスから守られているかを問う社会的指標である」 — これは公平性研究の文脈でしばしば引用される視点である。 用語ページの読者には、 数値計算のスキルと並行して、 こうした社会的視野を持つことを期待したい。 FN を 「減らせる数値」 として最適化対象に置くだけでは見えない構造が、 ステークホルダーを含む議論の中には常に潜んでいる。

本ページが扱った 4 つの図 (散布図・ヒストグラム・箱ひげ・図 1〜3)、 6 つの表 (コスト換算・ドメイン対策・落とし穴・両面整理・SSDSE 列・派生指標・ステークホルダー)、 4 つの Python コード (閾値スイープ・コスト最小化・層別評価・データ前処理)、 そして練習問題 6 題は、 そのまま社内勉強会の 1 セッション分の素材として再利用できる。 「定義 → 数式 → 実計算 → コスト換算 → 層別評価 → ステークホルダー説明 → 社会的責任」 という流れで構成しているので、 上から順に追えば 1 時間で全体像が掴めるはずである。

📋 1 枚チェックリスト (印刷して机に貼る用)

最後に、 本ページの内容を 1 枚に圧縮した実務チェックリストを置く。 印刷して、 モデル開発・監査・運用引き渡しの局面で机に貼っておくと、 「FN の見落とし」 を抑えるリマインダーになる。 学習者は、 このチェックリストの各項目について 「自分のドメインではどうか」 を答えられるかをまず確認するのがよい。

• □ FN の単位 (件・人・金額・リスク) をステークホルダーと合意したか
• □ FN コストと FP コストの比率を経営側と数値で合意したか
• □ 閾値スイープ表 (本ページ Python 例 1) を関係者に共有したか
• □ Accuracy 単独で FN を語っていないか (Recall・F1・PR-AUC 併用)
• □ 属性別 (年齢・性別・地域・時間帯) の混同行列を作成したか
• □ 時系列ドリフトを想定し、 月次再評価ワークフローを定義したか
• □ 「FN=0」 要求に対し、 SLO で代替提案ができるか
• □ テストデータのリーク (時間・ID) を確認したか
• □ SMOTE 等の前処理が評価指標を歪めていないか確認したか
• □ モデル更新時、 旧モデルとの FN 差分を必ずレビューしているか
• □ ステークホルダー別の説明テンプレ (本ページ表) を準備したか
• □ 監査ログに FN 数値の根拠 (時期・データ・閾値) を残しているか

これら 12 項目すべてに自信を持って 「はい」 と答えられるようになれば、 偽陰性の運用に関しては中級から上級の入口に立てる。 用語ページは知識のスタートラインであり、 これらの項目を 「自分の手元のデータで実際にやって、 報告書として形にする」 までが、 実務的に意味のある学習である。 本ページが、 そのスタートと最初の数歩を支える教材として機能することを期待している。

本セクションは、 用語ページを 「定義の確認」 から 「実務でのトレードオフ意思決定」 にまで引き上げるための拡張教材として追加された。 SSDSE-B-2026 を実データとして用い、 仮想シナリオに合成データを混ぜない設計としている。

📝 補遺: 偽陰性をめぐる用語の混乱整理と現場ですぐ使える言い換え

偽陰性をめぐる用語は、 分野や文献によって表記が揺れやすい。 統計学では 「第二種の誤り (Type II Error)」 「β エラー」、 医療では 「見逃し」 「未検出」、 工業では 「アンダーリジェクト」、 機械学習では 「False Negative (FN)」 と呼ばれる。 これらは同じ概念を指すが、 議論する場面でドメイン語彙と統計語彙が混在しやすい。 用語ページの読者は、 自分が話す相手に合わせて呼び方を切り替えられるよう、 これらの同義語のセットを把握しておくとよい。 また 「偽陰性率 (FNR)」 と 「Recall (TPR)」 は FNR = 1 - Recall の関係にあるため、 同じ情報を片方だけで報告すれば十分という整理も覚えておくと良い。

最後に、 偽陰性を学ぶ究極の目的は 「予測モデルが社会の意思決定に組み込まれる際に、 誰が不利益を被るかを構造的に把握できるようになること」 である。 これは技術スキルでありながら、 社会的責任のスキルでもある。 本ページが、 そうした両面の理解を促す導入として読者に貢献できれば、 教材としての役割を果たしたことになる。

補足として、 偽陰性の議論を一段深めるには 「ベースレート (有病率・発生率)」 の重要性を理解する必要がある。 同じ感度 (Recall) 90% のモデルでも、 ベースレート 1% と 10% では、 検出される真陽性と見逃される偽陰性の絶対数が桁違いに変わる。 ベイズの定理に立ち返り、 事前確率と尤度の積から事後確率を導く手順を、 一度紙に書いて確認しておくことを強く推奨する。 用語ページの 「ベイズの定理」 や 「適合率」 のページと往復しながら学習すると、 FN の意味がより立体的に理解できる。 学習者には、 この往復こそが用語集型教材の真の使い方であることを伝えたい。 また、 ベースレートを変化させたシミュレーションを自分で実装してみると、 「ベースレートが低い領域では Precision が暴落しやすい」 といった現場感覚も自然に身につき、 偽陰性以外の関連指標との関係性まで一気に視野に入る。

🎯 このページのまとめ

🧭 サイト内ナビゲーション

本ページは、 統計・データ解析コンペティションの再現論文集に付随する用語解説の 1 ページです。 偽陰性 以外の用語も、 同じフォーマットで以下からたどれます。

• 📚 用語集トップ — 514 用語の一覧
• 🗺 概念マップ — 用語間の関係を視覚化
• 📖 論文一覧へ戻る — 約 160 本の再現論文ハンズオン

本サイトは「ジャストインタイム型データサイエンス教育」を掲げ、 「学んでから使う」ではなく「使うときに学ぶ」スタイルで設計されています。 ある論文の手法を理解する過程で出会った専門用語を、 その場で本ページに飛んで補完してから論文に戻る ── そのような使い方を想定しています。

🔎 偽陰性 ── 深掘り解説

ここでは 偽陰性（False Negative, FN） を、 SSDSE-B-2026 の 47 都道府県データで「健康診断陽性者の見逃しモデル」を組み立て、 評価指標としての FN がどう変動するかを具体的に体感します。 「FN を 1 つ減らすと、 何が得られて、 何を失うか」── 教科書では語られないトレードオフの肌感覚を、 数字とコードで身につけることが本章のゴールです。

🔖 キーワード索引（拡張）

💡 もう少し詳しく ── FN の本質

• 定義（再掲）：実際は陽性（Positive）のサンプルを、 モデルが陰性（Negative）と判定した件数。 混同行列の左下に位置する。
• 別名の同一物：「Type II error（第二種の過誤）」「β エラー」「Miss」「Underdetection」── 文脈で呼び名が変わるが指している現象は同じ。
• FNR と Recall の関係：$\text{FNR} = 1 - \text{Recall}$。 Recall を 90% にすれば自動的に FNR は 10%。 どちらで報告するかは 悪い面を強調するか、 良い面を強調するかの修辞の違い。
• 非対称コスト：医療スクリーニング・与信審査・故障予知では FN コストが FP コストの 5〜100 倍になる。 評価関数を Accuracy にしている時点で意思決定として誤っている。
• 不均衡データでの罠：陽性が全体の 1% しかない場合、 「全件陰性」と予測するだけで Accuracy=99% に到達するが、 FN=陽性全件 という最悪の状態。 必ず Recall・FNR を併記する。
• 閾値（threshold）の依存性：確率出力を 0.5 で切るのは慣例にすぎない。 業務コストに応じて閾値を 0.2 や 0.8 にずらすと FN は劇的に変わる。

📐 補足の数式 ── コスト最小化の枠組み

$C_{FN}$（見逃し 1 件のコスト）と $C_{FP}$（誤検出 1 件のコスト）を業務担当者にヒアリングし、 比率を埋めるだけで「閾値の最適点」が一意に決まります。 $F_\beta$ で $\beta=2$ にすると Recall を Precision の 2 倍重視 ── がん検診・不正検知の標準値です。

🧮 SSDSE-B-2026 で「高齢化率予測の見逃し」を数える

SSDSE-B-2026 から「高齢化率 ≥ 30%（陽性=高齢化が深刻）」を真ラベル、 「人口減少率 ≥ 1.0%」を予測ラベルとした単純モデルの混同行列を、 47 都道府県で実際に組み立ててみます。 ここでの「FN」は、 実際は高齢化が深刻なのに、 人口減少率という代理指標では拾えなかった県 ── 政策的にはまさに見逃したくない対象です。

→ Recall = 15/35 = 0.43、 FNR = 20/35 = 0.57、 Precision = 15/15 = 1.00。 「人口減少率」という代理指標は高齢化深刻県の 43% しか捕まえられず、 57%（20 県）を見落とした、 という具体的な数字に翻訳できます。

🐍 Python：混同行列を SSDSE-B-2026 で作る

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

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 = df.sort_values(['Prefecture', 'SSDSE-B-2026'])
df['pop_decline'] = -df.groupby('Prefecture')['A1101'].pct_change() * 100  # 前年比人口減少率（%）
df = df[df['SSDSE-B-2026'] == 2023].copy()                   # 最新年（2023）で評価
df['aging_rate']  = df['A1303'] / df['A1101'] * 100          # 65歳以上÷総人口
y_true = (df['aging_rate']  >= 30).astype(int)
y_pred = (df['pop_decline'] >=  1).astype(int)
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
print(f'TP={tp}  FN={fn}  FP={fp}  TN={tn}')
print(f'Recall = {tp/(tp+fn):.3f}   FNR = {fn/(fn+tp):.3f}')
print(classification_report(y_true, y_pred, target_names=['軽度','深刻']))

🐍 Python：閾値を動かして FN を減らす

1
2
3
4
5
6
7
8

import numpy as np
y_true = (df['aging_rate'] >= 30).astype(int)
for thr in [0.5, 0.8, 1.0, 1.5, 2.0]:
    y_pred = (df['pop_decline'] >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(y_true, y_pred, labels=[0, 1]).ravel()
    prec = tp / (tp + fp) if (tp + fp) else 0.0
    print(f'閾値={thr}%  TP={tp}  FN={fn}  FP={fp}  '
          f'Recall={tp/(tp+fn):.2f}  Precision={prec:.2f}')

🐍 Python：FN コストを織り込んだ閾値最適化

1
2
3
4
5
6
7
8
9

C_FN, C_FP = 5.0, 1.0   # 見逃しは誤検出の 5 倍重い
best = (None, np.inf)
for thr in np.arange(0.2, 2.5, 0.05):
    y_pred = (df['pop_decline'] >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
    cost = C_FN*fn + C_FP*fp
    if cost < best[1]:
        best = (thr, cost)
print(f'最適閾値 = {best[0]:.2f}%   総コスト = {best[1]:.1f}')

📊 都道府県別「見逃された県」リスト

→ いずれも「複数の代理指標を併用」「閾値を下げる」「直接 SSDSE の高齢化率列を使う」のいずれかで救済できます。 FN を 1 件単位で並べて検討する習慣が、 評価指標を 運用可能な道具 に変える鍵です。

⚠️ 追加の落とし穴 ── 経験者ほど見落とすパターン

🔗 関連用語（拡張）

🗺 概念マップ ── FN の位置

FN は単独の指標ではなく、 Recall・FNR・コスト関数・PR 曲線などの 派生指標群の起点 です。 関連用語を辿ると、 評価フレームワーク全体の地図が描けます。

🎬 シナリオ深掘り ── 「見逃し」の重みが業界で違う 5 つの実例

🐍 Python：閾値スイープと PR 曲線（matplotlib）

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

import matplotlib.pyplot as plt
import numpy as np

recalls, precisions, fns = [], [], []
for thr in np.arange(0.2, 2.5, 0.05):
    y_pred = (df['pop_decline'] >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
    recalls.append(tp / (tp + fn) if (tp+fn) else 0)
    precisions.append(tp / (tp + fp) if (tp+fp) else 0)
    fns.append(fn)

fig, ax1 = plt.subplots(figsize=(8,5))
ax1.plot(recalls, precisions, 'o-', color='#1976D2', label='PR曲線')
ax1.set_xlabel('Recall'); ax1.set_ylabel('Precision', color='#1976D2')
ax1.set_title('閾値スイープによる PR トレードオフ')

ax2 = ax1.twinx()
ax2.bar(recalls, fns, alpha=0.2, color='#C62828', width=0.02, label='FN件数')
ax2.set_ylabel('FN 件数', color='#C62828')
plt.tight_layout(); plt.savefig('fn_pr.png', dpi=150)

🐍 Python：FN サンプルを実際に出力して中身を確認

1
2
3
4
5
6
7

y_true = (df['aging_rate'] >= 30).astype(int)
y_pred = (df['pop_decline'] >= 1.0).astype(int)
fn_mask = (y_true == 1) & (y_pred == 0)
fn_rows = df.loc[fn_mask, ['Prefecture', 'aging_rate', 'pop_decline']].round(2)
print('=== FN（見逃した県） ===')
print(fn_rows.sort_values('aging_rate', ascending=False).to_string(index=False))
print(f'\nFN 件数: {fn_mask.sum()}件')

📚 もうひと深掘り ── 学術的な背景

FN という概念は Neyman-Pearson の補題（1933） 以来、 統計的仮説検定の中核にあります。 当時は「対立仮説が真であるとき、 帰無仮説を棄却できない確率」を β と置き、 1-β を「検出力（power）」と呼びました。 機械学習における FN・Recall は、 この概念が混同行列という形に焼き直されたもの。 つまり 歴史的には統計学の方が先 で、 ML はその語彙を借用しています。

21 世紀に入り、 不均衡データや非対称コストが主流のタスク（医療、 不正検知、 異常検知、 推薦の関連性判定など）が急増したため、 FN と Recall を中心とした評価が再び脚光を浴びました。 PR-AUC、 Cost-Sensitive Learning、 Focal Loss、 Calibration ── これらはいずれも「FN をどう扱うか」をめぐる現代的な発展です。 評価指標の研究は今も活発で、 「Recall に検出時刻の重み」「業務 KPI に直接最適化」「人手レビューを介在させた半自動化評価」など、 学術と実務の両面で更新が続いています。

❓ FAQ 拡張

🐍 Python：ロジスティック回帰で確率閾値を細かく調整

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

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()          # 最新年（2023）で評価
df['aging_rate'] = df['A1303'] / df['A1101'] * 100
y = (df['aging_rate'] >= 30).astype(int)
X = df[['A1101', 'A4101', 'A4200', 'B4101', 'C3301']].fillna(0)
X = StandardScaler().fit_transform(X)

model = LogisticRegression(class_weight='balanced', max_iter=1000).fit(X, y)
proba = model.predict_proba(X)[:, 1]
for thr in [0.3, 0.4, 0.5, 0.6, 0.7]:
    y_pred = (proba >= thr).astype(int)
    tn, fp, fn, tp = confusion_matrix(y, y_pred).ravel()
    print(f'閾値={thr}  TP={tp} FN={fn} FP={fp} TN={tn}  '
          f'Recall={tp/(tp+fn):.2f}')

🐍 Python：ROC-AUC と PR-AUC で「閾値非依存」評価

1
2
3
4
5
6

from sklearn.metrics import roc_auc_score, average_precision_score
proba = model.predict_proba(X)[:, 1]
roc_auc = roc_auc_score(y, proba)
pr_auc  = average_precision_score(y, proba)
print(f'ROC-AUC = {roc_auc:.3f}')
print(f'PR-AUC  = {pr_auc:.3f}  ← FN 観点で重要')

📋 報告テンプレ ── 「FN を扱った報告書」3 段組み

🧠 学習のつまずきポイント Top 3

1. 「FN を 0 にしたい」と単純に願ってしまう：FN 単独の最小化は FP 暴走を招きます。 必ず「FP 上限を決めた上での FN 最小化」「業務コスト関数を最小化」の形で考える習慣を。
2. Recall と FNR のどちらで報告すべきか迷う：医療・診断系は Recall（感度）、 機械学習・分類系は FNR、 工学・信号系は Miss Rate ── 慣習に従うのが無難ですが、 必ず両方を併記しておくと議論で詰まりません。
3. 不均衡データで Accuracy を併記してしまう：陽性 1%・陰性 99% のタスクで Accuracy=99% と書くと、 読み手は「凄い性能」と誤読します。 Accuracy は報告から外し、 Recall・FNR・Precision・PR-AUC のみを使う方針を推奨。

💡 直感を補強する別の比喩

• 魚網の網目：FN は「網目をすり抜けた魚（陽性）」、 FP は「網に絡まったゴミ（陰性）」。 網目を細かくすれば魚は逃さないが、 ゴミが大量に取れる。
• 飛行機の手荷物検査：FN は「危険物を見逃して搭乗」、 FP は「無害な水筒を没収」。 FN コストが圧倒的に大きいため、 FP は許容して検査基準を厳しくする。
• 火災報知器：FN は「火事なのに鳴らない」、 FP は「料理の煙で誤作動」。 設計思想として FN は許されない。 結果、 多くの家庭で「うるさい」と電池が抜かれる ── 運用上の負荷も評価設計に入れる必要がある。
• 受験合否判定：FN は「合格圏なのに不合格」、 FP は「合格圏外なのに合格」。 大学側にとっては FP の方が痛い、 受験生にとっては FN の方が痛い ── 誰の視点で評価するか でコスト比が変わる典型例。

🧪 ケーススタディ ── 「医療スクリーニング」型と「不正検知」型の運用差

📐 補足の数式 ── 加重 FN とコスト関数

Weighted FN は「サンプルごとに重み（金額・人命価値・優先度）を加味した FN」。 Net Benefit (Vickers, 2006) は閾値 $t$ における「正味の効用」で、 医療意思決定でよく使われます。 単純な FN 件数より遥かに業務に近い指標です。

🐍 Python：Net Benefit（Decision Curve Analysis）を SSDSE で描く

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

import numpy as np
import matplotlib.pyplot as plt
n = len(df)
nbs, ts = [], np.arange(0.05, 0.95, 0.02)
for t in ts:
    y_pred = (proba >= t).astype(int)
    tn, fp, fn, tp = confusion_matrix(y, y_pred).ravel()
    nb = tp/n - (fp/n) * (t/(1-t))
    nbs.append(nb)
plt.plot(ts, nbs, color='#1976D2')
plt.xlabel('Threshold'); plt.ylabel('Net Benefit')
plt.axhline(0, color='gray', linestyle='--')
plt.title('Decision Curve Analysis ── 高齢化深刻県分類')
plt.tight_layout(); plt.savefig('dca.png', dpi=150)

🎯 FN に強くなるための「3 つの習慣」

1. FN サンプルを実際に 5 件以上手で読む ── 数字としての FN ではなく、 固有名詞としての FN を見る習慣。 SSDSE-B-2026 なら「大分県」「鹿児島県」を実際に df.loc[fn_mask] で並べて、 数値の何が代理指標を欺いたかを言葉で説明できるまで考える。
2. 業務担当者に FN/FP コスト比を必ず聞く ── 「だいたい同じ」「分からない」と返ってきたら、 「FN 1 件で何時間の損害復旧が必要ですか」「FP 1 件で何分の確認作業ですか」と聞き換える。 数字が出ない場合は仮の比（10:1, 5:1）で 3 シナリオ提示し、 担当者に選んでもらう。
3. PR 曲線と Decision Curve を 毎レビューで 見せる ── 単一の数字（Recall=0.92 など）を渡すと、 担当者は「もっと上げて」と言うだけです。 曲線を見せると「ここを基準にしよう」「ここを超えるとコスト爆発」と 具体的な議論 が始まります。

🧭 次に読むべきページ ── 学習ルート

🔬 FN を巡る現代的トピック

🧪 SSDSE-B-2026 ベンチマーク ── FN 観点の評価セット

→ 単指標（Recall=0.43）から多変量モデルへ移ると FN が大きく削減され、 Recall はほぼ 1.00 に達します。 「閾値最適化＋特徴量設計＋損失関数」の 3 段階で FN を攻めるのが定石です。
📝 補足：上表は 2023 年 47 都道府県データに対する訓練データ上（in-sample）の値です。 n=47 と小さく訓練＝評価のため多変量モデルは容易に飽和（Recall≈1.00）します。 汎化性能を測るには都道府県ブロック交差検証や時系列 split が別途必要で、 実運用値はこれより下がります。

📖 用語の言い換え辞典

→ 同じ概念でも、 分野によって 呼び名と算定方法が微妙に違う。 論文を横断して読むときは、 「これは FN のことを言っているか？」を意識的に確認することが、 用語の混乱を避ける近道です。

🛠 トラブルシューティング ── FN が想定外に多いとき

🎓 学習補助 ── 「数式を言葉で読み解く」拡張

本ページ上部の「🔬 数式を言葉で読み解く」を補完し、 FN にまつわる数式群を 500 字以上の物語 として読み解きます。 公式を覚える前に、 まず 「何を測ろうとして、 どの数字をどう組み合わせたか」 を腑に落とすのがコツです。

📋 最終チェックリスト ── 「FN を扱う前に」

最後に： FN という用語は、 一見シンプルですが、 「業務知識」「データ特性」「モデル設計」「評価設計」の交差点に位置する 戦略的な指標 です。 単に数字を出して終わりではなく、 各サンプルの背後にある「人」「県」「取引」を意識する習慣が、 評価指標を本当に使いこなすための鍵になります。 本ページはあなたが論文・業務で FN に出会ったときの「相棒」として、 何度でも戻ってきてください。

🧮 補足計算 ── 「Recall を 0.95 にするには何を変えるか」

本ページの計算例では、 単指標モデルで Recall = 0.43 (FN=20)。 これを Recall ≥ 0.95 (FN ≤ 1) まで上げる方法を 4 通り比較します。

→ ④ アンサンブル法は FN=0 を達成しつつ FP も抑えられる、 SSDSE-B-2026 の例では最も実用的なアプローチ。 「単一手段では FP が爆発しがちなので、 複数手段を組み合わせる」が定石です。

📊 「FN とは何か」可視化サマリー

🧰 補助 Python ── 「FN を可視化する」スニペット集

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_true, y_pred)
labels = [['TN','FP'],['FN','TP']]
annot  = [[f'{labels[i][j]}\n{cm[i][j]}' for j in range(2)] for i in range(2)]
plt.figure(figsize=(5,4))
sns.heatmap(cm, annot=annot, fmt='', cmap='Blues',
            xticklabels=['予測:陰性','予測:陽性'],
            yticklabels=['真:陰性','真:陽性'])
plt.title('混同行列（FN を強調）')
plt.tight_layout(); plt.savefig('cm_fn.png', dpi=150)

1
2
3
4
5
6
7
8
9

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(8,5))
ax.hist(proba[y==1], bins=20, alpha=0.6, color='#C62828', label='真陽性')
ax.hist(proba[y==0], bins=20, alpha=0.6, color='#1976D2', label='真陰性')
ax.axvline(0.5, color='black', linestyle='--', label='閾値=0.5')
ax.set_xlabel('予測確率'); ax.set_ylabel('件数')
ax.legend(); ax.set_title('予測確率の分布（FN 領域を確認）')
plt.tight_layout(); plt.savefig('proba_hist.png', dpi=150)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import japanmap
# 各県を分類
status = []
for true, pred in zip(y, y_pred):
    if true==1 and pred==1: status.append('TP')
    elif true==1 and pred==0: status.append('FN')
    elif true==0 and pred==1: status.append('FP')
    else: status.append('TN')
df['status'] = status
colors = {'TP':'#2E7D32','FN':'#C62828','FP':'#F9A825','TN':'#90A4AE'}
# 地図描画は japanmap, plotly choropleth, geopandas で実装可

これら 3 つの可視化（混同行列ヒートマップ・確率分布・地図）を 1 セットで作っておくと、 「FN を扱う任意のプロジェクト」で 90% のレポート要件をカバーできます。 SSDSE-B-2026 のような 47 都道府県データでは特に 地図 が説得力を持ちます。

🧾 用語間の対応表 ── 「同じものを違う名前で呼ぶ」整理

→ 統計学の論文と ML の論文を行き来する読者は、 必ずこの対応表をブックマークしておきましょう。 「検定力 80%」「Recall 80%」「感度 80%」── 数値はすべて同じ意味で、 表面上の語彙だけが違います。 SSDSE-B-2026 で「47 県中 4 件を見逃した」を語るとき、 統計家には「第二種の過誤 16%」、 ML エンジニアには「Recall 84%」、 自治体担当者には「見逃し 4 県（16%）」と 聞き手に合わせて呼び替える 技術が、 評価指標を扱う上で必須のスキルになります。

🌐 ハンズオン教材へのリンク

本サイトの再現論文集の中から、 FN（偽陰性）の概念が実際に登場する論文を選び、 ハンズオン形式で学ぶことができます。 用語ページの「学ぶ」と論文ページの「使う」が往復することで、 評価指標の知識が 実践知 に変わります。

• 論文一覧トップ から「分類」「医療」「不正検知」のキーワードで論文を絞り込み
• 論文の「再現実装」セクションを jupyter notebook で開き、 提供されたコードを実行
• FN を実際に計算し、 「Recall を 0.9 に上げるとどうなるか」を自分の手で実験
• 本ページの「🐍 Python：閾値スイープ」「🐍 Python：PR-AUC」を写経しながら理解を定着

ジャストインタイム型教材として、 論文を読みながら本ページに何度でも戻り、 必要な箇所を参照する流れが推奨される使い方です。

📝 学習履歴メモ ── 「自分で書く欄」

🗺 概念マップ

「false negative」を中心とした関連概念マップ。

偽陰性 (False Negative, FN) は「陽性を見逃した数」で、 第二種過誤 (Type II error, β) と同義。 検出力 1−β = Recall (= TP/(TP+FN)) で測定される。 がん診断・防犯センサー・SSDSE-B-2026 を用いた高リスク県スクリーニング (例: 高齢化率 ≥ 30% を見逃すと福祉政策が遅れる) など、 見逃しコストが高いタスクで重要。 閾値を下げて FN を減らせば FP が増えるトレードオフがあり、 ROC 曲線・PR 曲線で最適点を決める。

🔗 隣接手法への橋渡し

「偽陰性」は単独で完結せず、 隣接する手法と接続することで分析パイプラインの一部として機能する。 以下に具体的な接続関係を示す。

• 上流（入力側で必要となる前処理・前提）: 混同行列・第 II 種の過誤 β・検出力 1−β (Cohen 1988)
• 並列（同じ目的を持つ代替・競合手法）: 偽陽性 (FP, 第 I 種の過誤)・真陽性 (TP)・Recall = TP/(TP+FN)
• 下流（偽陰性 の結果を活用する後続手法）: 閾値下げで FN 削減・コスト感応学習・医療・セキュリティでの FN 重視設計

偽陰性は (1) 業務コスト比 FN:FP の数値化 → (2) Recall を主指標化 → (3) 閾値下げ + クラス重み付与 + Oversampling (SMOTE) → (4) PR 曲線で全閾値挙動確認 → (5) コスト感応学習 (cost-sensitive) → (6) 運用後の継続監視、 という 6 段で減らす。 医療スクリーニング (癌検診) や情報セキュリティ (侵入検知) で特に重要。

🌳 手法選択フロー

「偽陰性」を実際の課題に当てはめるとき、 以下の 3 ステップで判断する。 領域固有の判断基準と組み合わせて使用する。

1. ステップ 1: FN コスト > FP コストか確認 (癌診断・侵入検知など)
2. ステップ 2: Recall (Sensitivity) を主指標に
3. ステップ 3: 閾値を下げる・F_β (β>1) で Recall 重視

FN を減らすために Recall を上げると Precision が落ち、 「人手による二次確認」コストが増える。 高 Recall + 低 Precision の鋭敏ステップ → 高 Precision の確認ステップ、 という二段階パイプライン (sieving) が医療・セキュリティの実務標準。 sklearn なら `make_scorer(recall_score)` で GridSearch のスコア関数を切替。