Precisionは「陽性と予測したものの信頼度」
2値分類では、同じ正解率でも「何を重視するか」で評価指標が変わります。Precisionは、モデルが陽性と判定した集合の純度を測る指標で、誤検知（FP）をどれだけ抑えられているかを反映します。
$\mathrm{Precision}=\frac{TP}{TP+FP}$
今回の計算
- $TP=36$
- $FP=12$
- $TP+FP=48$
$\mathrm{Precision}=\frac{36}{48}=0.75$
したがって答えは 0.75 です。
理論的背景
- Precisionが高い: 陽性判定の誤報が少ない。
- Recallとのトレードオフが起きやすい。
- 不均衡データではAccuracy単独評価を避け、Precision/Recall/F1を併用する。
実務例
- スパム判定・不正検知・アラート運用など、誤検知コストが高い領域で重要。
- 閾値変更でPrecisionとRecallのバランスを調整する。