【感度】とは？AI・データ分析における意味や使い方を分かりやすく解説

AIやデータ分析の現場で頻繁に耳にする「感度（Sensitivity）」という言葉。一言でいえば、「本来見つけたいものを、どれだけ正しく見つけ出せたか」を示す指標です。テストの正解率（Accuracy）だけでは見落としてしまう、非常に重要な評価軸の一つといえます。

例えば、医療診断や不正検知など、ミスが許されない現場では「正解率が高いこと」よりも「見落としがゼロに近いこと」が優先されます。こうした「逃さない能力」を測るために、私たちは「感度」を厳しくチェックしているのです。

「感度」の意味・定義とは？

感度は、統計学や機械学習のモデル評価において、「陽性（Positive）であるものを、どれだけ正しく陽性と判定できたか」という割合を指します。別名として「再現率（Recall）」とも呼ばれ、データ分析の現場ではこちらの用語が使われることも多いです。

計算式は非常にシンプルで、「実際に陽性のデータ数」のうち、「モデルが正しく陽性と予測できた数」の比率です。数学的な厳密さはさておき、イメージとしては「網を張ったときに、どれだけ対象を取りこぼさなかったか」という網の性能そのものだと考えてください。

専門的なドキュメントやプログラミングライブラリ（Scikit-learnなど）では、主にRecallと表記されます。開発現場では「感度が低い」と言うよりも「リコールが低い」と言う方が、コード上の変数名と一致するため伝わりやすい傾向にあります。

AI・データサイエンス現場での実際の使われ方・例文

現場では、ビジネスの目的とAIモデルの性能をすり合わせる際によく議論の対象となります。単に賢いAIを作るのではなく、「何を優先するAIなのか」を決めるための指標として機能します。

• PM「今回の不正検知システムですが、多少の誤検知は許容してもいいので、感度を最大まで高めて、怪しい取引は一つ残らず拾い上げてください」
• データサイエンティスト「現状のモデルだと精度は高いのですが、感度が低すぎて検知漏れが発生しています。しきい値を調整して、見落としを減らす方向で再学習を行います」
• エンジニア「最新のLLMを活用した監視ツールを導入しました。以前のロジックベースの仕組みと比較して、感度が劇的に向上し、未知のパターンも拾えるようになっています」

「感度」の関連用語・現場での注意点

感度（Recall）と一緒に必ずセットで覚えるべきなのが「適合率（Precision）」です。感度が「見落としのなさ」なら、適合率は「予測の正確さ（空振りの少なさ）」です。この二つは多くの場合、トレードオフの関係にあります。

現場で最も注意すべきなのは、「感度さえ高ければ良いわけではない」という点です。感度を上げすぎると、何でもかんでも「陽性」と判定してしまい、本来は不要なものまで混ざる「誤検知（偽陽性）」が増えてしまいます。これによって、後続の業務担当者が過剰なアラート処理に追われるという手戻りが発生することは、開発現場でよくある失敗パターンの一つです。

「感度」に関するよくある質問（FAQ）

Q. 正解率（Accuracy）よりも感度を重視すべきなのはどんな時ですか？

A. 「見落としが致命的な損害につながる場合」です。例えば、製造ラインでの不良品検知や、病気のスクリーニング検査などがこれに当たります。「正常なものを誤って不良品とする（適合率の低下）」よりも、「不良品を見逃して出荷してしまう（感度の低下）」ことの方がリスクが高い場合、感度を最優先にします。

Q. 感度を100%にすることはできますか？

A. 理論上は可能です。すべてのデータを「陽性」と判定すれば感度は100%になります。しかし、その代わり適合率は極端に下がり、システムとしての価値はなくなります。重要なのは、ビジネスのコストとリスクを天秤にかけ、適切なバランスを見つけることです。

Q. 最新の生成AIやLLMでもこの指標は使われますか？

A. もちろん使われます。LLMを用いたテキスト分類やタスク実行においても、特定の回答が漏れていないか、誤った情報を出力していないかを評価する際に、RecallやPrecisionの考え方を応用した指標が重要視されています。

まとめ：現場で役立つ「感度」の知識

• 感度（Recall）は「見落とさない能力」を測る指標である。
• 適合率（Precision）とのトレードオフを理解し、バランスを調整することが重要。
• ビジネスの目的が「取りこぼし防止」なのか「精度の追求」なのかを明確にすること。
• 過度な感度向上は誤検知（ノイズ）を増やすリスクがあることを覚えておく。

最初は指標の計算や使い分けに戸惑うこともあるかと思いますが、現場で「何を守りたいのか」を意識するだけで、データサイエンスの視点はぐっと鋭くなります。ぜひ、日々のプロジェクトでこの「感度」というレンズを活用してみてください。