【正例】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「正例（せいれい）」という言葉。一言でいえば、AIに「これを見つけ出してほしい！」と教えるための正解データのことを指します。

例えば、工場の検品AIで「不良品を見つけたい」というプロジェクトなら、不良品の画像が正例となります。ビジネスの現場では、AIの精度を測るための基準点となる非常に重要な役割を果たしています。

「正例」の意味・定義とは？

正例とは、英語でPositive Class（ポジティブクラス）と呼ばれ、機械学習の二値分類において「ターゲットとして特定したい対象」を指します。AIに「これが探すべきものです」と認識させるためのデータセットにおけるラベルのことです。

専門的な定義では、特定のクラスに属するデータ（＝正例）と、それ以外のデータ（＝負例・Negative Class）を明確に分けることで、AIが正誤を判断できるようになります。ちなみに現場のドキュメントやコード内では、略してPositiveやPosと表記されることが一般的です。

AI・データサイエンス現場での実際の使われ方・例文

実際の開発現場では、AIの学習データ作成や、精度の検証を行う会議などで日常的に飛び交う言葉です。エンジニアとPMが「何を正例とするか」を定義し損ねると、モデルの精度が全く出ないという致命的な手戻りが発生することもあります。

• 「今回の外観検査AIでは、傷がある画像を正例として、ラベル付けの優先度を上げていきましょう」
• 「正例のサンプル数が負例に比べて圧倒的に少ないので、水増し（オーグメンテーション）を行ってバランスを整える必要がありますね」
• 「テストデータにおいて、正例を正しく見つけられた割合（再現率）が低いようです。再学習を検討しましょう」

「正例」の関連用語・現場での注意点

正例とセットで必ず覚えておくべき用語が負例（Negative Class）です。AIは正例だけでなく、それが「何ではないか」を理解するために負例も必要とします。また、正例と負例の数が極端に偏る不均衡データ（Imbalanced Data）の問題は、現場で最も苦労するポイントの一つです。

注意点として、ビジネスサイドが「正例」の定義を曖昧にすると、AIの実装リスクが跳ね上がります。例えば「少しでも傷があれば正例」なのか「製品として出荷できないレベルの傷のみを正例」とするのか、この基準を曖昧にしたまま開発を進めると、現場で全く使えないAIが完成してしまいます。常に具体的な判定基準を握り合うことが成功への鍵です。

「正例」に関するよくある質問（FAQ）

Q. 正例と負例の数は、同じにする必要がありますか？

A. 理論上は1対1が理想的ですが、現実のデータでは難しいことが多いです。あまりに偏りがある場合は、正例を増やす工夫や、AIが偏った判断をしないための評価指標（F値など）の選定が重要になります。

Q. 複数のクラスがある場合はどう呼ぶのですか？

A. 3つ以上の分類を行う場合は、単に「クラスA」「クラスB」と呼ぶのが一般的です。正例・負例という言い方は、あくまで「それか、それ以外か」という二値分類で使うのが通例です。

Q. なぜ正例の定義が大切なのですか？

A. AIは与えられたデータからルールを学ぶため、正例の定義がブレると、AIは「何を正解としていいか」迷ってしまいます。現場の業務フローと一致した正例の定義こそが、プロジェクトの成否を分けるといっても過言ではありません。

まとめ：現場で役立つ「正例」の知識

• 正例（Positive Class）はAIに探させたい対象そのもの。
• 正例と対になる「負例」の選定もモデル精度には不可欠。
• データの不均衡や定義の曖昧さは、手戻りの最大の原因になる。
• 現場では「何を正例とするか」を具体的に合意形成することが重要。

AI開発は、こういった地道な定義づけの積み重ねです。もし現場で迷ったときは「今のAIにとって、何が正例なら嬉しいのか？」という原点に立ち返ってみてください。その視点があれば、きっと素晴らしいAIプロダクトを作り上げることができるはずです！