最終更新日：2026年8月26日
gk 機械学習 評価指標 頻出
まず結論
ROC曲線は、分類のしきい値を変えたときの TPR（真陽性率）と FPR（偽陽性率）の関係を見るグラフです。
AUCは、そのROC曲線の下の面積で、しきい値全体を通した識別性能を1つの値で要約します。
試験ではまず、
縦軸 TPR（Recall）
横軸 FPR
曲線全体を要約 → AUC
と切り分けます。
直感的な説明
陽性と判定するしきい値を緩くすると、多くの陽性を拾いやすくなりますが、陰性を誤って陽性とするケースも増えやすくなります。
しきい値を緩くする
→ TPR は上がりやすい
→ FPR も上がりやすい
逆に、しきい値を厳しくすると誤検知は減りやすい一方、見逃しが増えることがあります。
ROC曲線は、この拾いやすさと誤検知のトレードオフを、しきい値全体で見るためのものです。
定義・仕組み
ROC曲線の軸は次のとおりです。
| 指標 | 式 | 意味 |
|---|---|---|
| TPR | TP / (TP + FN) | 実際の陽性をどれだけ拾えたか。Recallと同じ |
| FPR | FP / (FP + TN) | 実際の陰性をどれだけ誤って陽性にしたか |
AUC（Area Under the Curve）はROC曲線の下の面積です。
AUC = 1.0 に近い
→ 陽性と陰性をうまく順位付けできている
AUC = 0.5 付近
→ ランダムな順位付けに近い
AUCは、1つの固定しきい値でのAccuracyやPrecisionではなく、スコアの順位付け性能をしきい値全体で要約する指標と考えると分かりやすいです。
いつ使う？（得意・不得意）
得意なこと
- 複数モデルの識別性能を、しきい値を固定する前に比較する
- しきい値全体での傾向を見る
- TPRとFPRの関係を確認する
苦手・注意点
AUCが高くても、実運用で使う特定のしきい値において誤検知が十分少ないとは限りません。
また、陽性クラスが非常に少なく、陽性予測の質を重視したい場合は、ROC曲線だけでなくPrecision-Recall曲線も確認します。
ROC
→ TPR と FPR
PR曲線
→ Precision と Recall
クラス不均衡だから必ずROCが不適切、または必ずPRが優れる、と機械的に決めるのではなく、何を評価したいかを見ることが大切です。
G検定ひっかけポイント
ROC曲線の横軸をPrecisionとしない
誤りです。
縦軸 → TPR（Recall）
横軸 → FPR
AUCが高い＝特定しきい値で誤検知が少ない
誤りです。AUCはしきい値全体を要約した指標です。
AUCはAccuracyと同じ
違います。
- Accuracy：1つの判定結果で、全体の正解割合を見る
- ROC-AUC：しきい値全体で、陽性と陰性の識別性能を見る
「しきい値に依存しない」の意味
AUCは複数のしきい値を通した曲線全体を要約するので、1つのしきい値だけに固定された指標ではないという意味です。
まとめ（試験直前用）
- ROC曲線：TPR と FPR の関係
- 縦軸は TPR＝Recall、横軸は FPR
- AUC：ROC曲線全体を1つの値で要約
- AUCが高くても特定しきい値の誤検知率までは分からない
- 陽性クラス重視ではPR曲線との使い分けも確認する