1. モデルを学習させる — ロジスティック回帰
前編で準備した標準化済みデータを使って、いよいよモデルを学習させます。 最初はロジスティック回帰。分類の基本でありながら、 「悪性である確率」を出せるため、医療AIでは今も現役の手法です （機械学習入門コースの復習）。
正解率0.971。3行のモデルで97%——と喜ぶ前に、 この数字が何を隠しているかを、医療AIでは必ず確かめます。それがこのレッスンの本題です。
2. 「確率」で出す — predict_proba
医療AIでは「悪性です」と断定するより、「悪性の確率は◯%」と出すほうが役立ちます。
医師はその確率を、ほかの所見と合わせて判断できるからです。
predict_proba で確率を見てみましょう。
predict_proba は各クラスの確率を返し、2列目が「悪性（1）の確率」です。
通常の predict は、この確率が0.5以上なら悪性と判定しています。
この「0.5」という境目（閾値）を動かせることが、
レッスン5で見逃しを減らす鍵になります。
3. 混同行列を「医療の言葉」で読む
正解率は「全体で何%当たったか」しか教えてくれません。 医療で本当に知りたいのは「どう間違えたか」—— 見逃したのか、過剰に拾ったのか——です。それを示すのが混同行列です。
結果を医療の言葉に翻訳すると、こうなります。
| 予測：良性 | 予測：悪性 | |
|---|---|---|
| 実際：良性 | TN = 106（正しく良性） | FP = 1（過剰検出） |
| 実際：悪性 | FN = 4（見逃し） | TP = 60（正しく悪性） |
⚠ 注目すべきは FN（見逃し）＝4：
正解率97%の裏で、悪性の患者を4人、良性と判定して見逃しています。
がんの文脈では、見逃し（偽陰性）は過剰検出（偽陽性）よりずっと重い間違いです。
ravel() は 2×2 の行列を tn, fp, fn, tp の順に平らにする関数で、
この4つの数字こそが、次のレッスンの感度・特異度の材料になります。
4. 別のモデルと比べる — ランダムフォレスト
モデルは1つに決め打ちせず、複数を比べるのが定石です。 決定木をたくさん束ねたランダムフォレストを試しましょう。 木ベースのモデルなので、前編で触れたとおり 標準化は不要（元のスケールのまま渡します）。
ランダムフォレストは正解率0.965で、ロジスティック回帰（0.971）とほぼ互角。 しかし中身を見ると違いがあります。
| モデル | 正解率 | 見逃し（FN） | 過剰検出（FP） |
|---|---|---|---|
| ロジスティック回帰 | 0.971 | 4 | 1 |
| ランダムフォレスト | 0.965 | 6 | 0 |
💡 正解率が近くても中身は違う： ランダムフォレストは過剰検出が0で「無駄に拾わない」一方、見逃しは6と多め。 ロジスティック回帰は見逃し4と、こちらのほうが見逃しに強い——。 がんの見逃しを重く見るなら、「過剰検出がゼロで無駄がない」という理由だけでランダムフォレストを選ぶのは早計です。 どちらが「良いモデル」かは、正解率ではなく用途で決まる——これを数値で語る道具が、次のレッスンです。
5. 練習問題
見逃しは何人？
混同行列を ravel() で展開したとき、「悪性なのに良性と予測した人数（見逃し）」は
tn, fp, fn, tp のどれですか。
- A. fp（偽陽性）
- B. fn（偽陰性）
- C. tn（真陰性）
答えと解説を見る
正解：B. fn（偽陰性）
陽性（悪性）を陰性（良性）と誤って陰性にしたのが偽陰性＝見逃しです。 「陰性と言ったが間違い」なので False Negative。医療で最も重く扱われる間違いで、 このモデルでは4人（ロジスティック回帰の場合）でした。
木の本数を減らすと？
ランダムフォレストの木の本数を n_estimators=10（デフォルトは100）に減らすと、
見逃し（FN）はどうなるでしょうか。予想してから実行してみましょう。
ヒントを見る（答え＋解説）
rf = RandomForestClassifier(n_estimators=10, random_state=42).fit(X_tr, y_tr)木を10本に減らすと、正解率は 0.947 に下がり、見逃し（FN）は9に増えます。 木の本数が少ないと予測が安定せず、少数派（悪性）の取りこぼしが増えがちです。 ハイパーパラメータが医療的に重要なFNを左右する——調整の指針はレッスン5で。
過学習していないか確かめる
ロジスティック回帰について、訓練データの正解率とテストデータの正解率を 両方表示して、差が大きすぎないか（過学習していないか）を確認してください。
ヒントを見る（答え＋解説）
print("訓練正解率:", round(model.score(X_tr_s, y_tr), 3))
print("テスト正解率:", round(model.score(X_te_s, y_te), 3))訓練0.987 / テスト0.971。差は約0.016と小さく、ひどい過学習はしていないと判断できます。 もし訓練だけ極端に高い（例：訓練1.0・テスト0.85）なら過学習を疑い、 正則化や特徴量の見直しを検討します（機械学習入門コース参照）。
6. まとめ
このレッスンのポイント
- ロジスティック回帰で診断支援モデルを学習（正解率0.971）。
predict_probaで悪性の確率を出せる - 混同行列をTN・FP（過剰検出）・FN（見逃し）・TPに分けて読む。
ravel()で4数に展開 - 正解率97%の裏で悪性を4人見逃していた——正解率は「どう間違えたか」を隠す
- ランダムフォレスト（0.965）と正解率は互角でも、見逃し4 vs 6と中身が違う
- 「良いモデル」は正解率でなく用途（見逃しを許容できるか）で決まる → レッスン5へ
混同行列の4つの数字がそろいました。次のレッスンでは、この4つから 感度・特異度・PPVを計算し、医療AIの評価を本格的に身につけます。 「有病率の罠」という、現場で最も誤解されるポイントも登場します。
完了するとコース一覧に進捗が記録されます