評価軸1：【傾向把握】モデルの妥当性確認

① R2スコア (決定係数)

• 意味: モデルがデータ全体の変動をどれくらい説明できているか（最大1.0）。

• 使いどころ: モデル選定の第一次スクリーニングとして使用します。
• まずは0.7以上など、プロジェクトごとの基準を超えているか確認します。ただし、学習データだけで判断せず、必ずテストデータのスコアを見ることが鉄則です。

② 説明可能分散スコア

• 意味: R2スコアと同様に変動の説明力を示しますが、平均的なズレ（バイアス）の影響を除外して評価します。

• 使いどころ:
• 補正による改善の可能性を探るために使用します。
• 「R2スコアは低いが、このスコアは高い」場合、モデルはトレンドを捉えています。予測値を全体的にシフトさせる補正（キャリブレーション）を行うことで、有用なモデルになる可能性があります。

評価軸2：【精度把握】直感的な性能評価

③ MAE (平均絶対誤差)

• 意味: 予測値と実測値の差（絶対値）の平均。

• 使いどころ: データの単位（℃やMPa）のまま、モデルの平均的な予測性能を評価したい時。
• RMSEに比べて外れ値の影響を受けにくいため、初期検討フェーズでの基礎的な実力評価に適しています。

④ MAPE (平均絶対パーセント誤差)

• 意味: 予測値が実測値に対して何%ズレているかの平均。

• 使いどころ: 誤差10%以内 といった統一基準で管理したい時。
• 単位やスケールが異なる複数のモデル（例：引張強度と粘度）を、横並びで比較・評価する場合に適しています。

評価軸3：【リスク管理】安全性と信頼性の評価

⑤ RMSE (二乗平均平方根誤差)

• 意味: 誤差を二乗して計算するため、大きな誤差に対してペナルティが重くなります。

• 使いどころ: 平均的な精度の良さよりも、大きな予測乖離の防止を優先したい時。
• ※計算過程である MSE (平均二乗誤差) が表示される場合は、そのルート（平方根）をとって解釈します。

⑥ 最大誤差 (Max Error)

• 意味: 全データの中で、予測値と実測値が最も大きく乖離した時の誤差。

• 使いどころ: ワーストケース（最悪の事態） を想定したい時。
• 平均値（MAE）が許容範囲内であっても、この最大誤差が安全マージンを超えていないかを確認します。

評価軸4：【特殊対応】データ分布への適応

⑦ 中央絶対誤差 (Median Absolute Error)

• 意味: 誤差の中央値。

• 使いどころ: 外れ値（ノイズ）が多いデータの時。
• 平均値（MAE）ですら異常値に引っ張られてしまうような場合でも、中央値を用いることでロバスト（頑健）な評価が可能になります。

⑧ RMSLE (対数平均二乗誤差)

• 意味: データを対数（log）に変換してからズレを計算します。

• 使いどころ: 桁（オーダー）が変わる物性（粘度、電気抵抗など）の時。
• 低い値での誤差と、高い値での誤差を比率として同等に扱いたい場合に必須です（通常のRMSEでは、数値が大きい領域の誤差ばかりが重視されてしまうため）。

重要な補足：数値は万能ではない

まとめ：指標確認のフローチャート

1. 【評価軸1：傾向】(R2) まずはモデルが現象を捉えているかを確認し、足切りを行う。

2. 【評価軸2：精度】(MAPE/MAE) 実用レベルの誤差に収まっているか、直感的に把握する。

3. 【評価軸3：リスク】(RMSE/最大誤差) 安全性が重要な場合、突発的な大外しのリスクがないか確認する。

4. 【評価軸4：特殊】(中央値/RMSLE) データにノイズが多い、あるいは桁が広い場合は、専用の指標に切り替える。

5. 【最終確認】(Parity Plot) 最後に必ずExcel等でグラフを作成して目視し、特定の領域でのズレがないか確認する。