ROC曲線・AUC
解説：モデルの「実力」をグラフにする
ROC曲線（Receiver Operating Characteristic Curve）は、AIモデル（特に分類モデル）の性能を評価するためのグラフです。特に、「判定の基準（閾値）を厳しくしたり緩めたりしたときに、性能がどう変化するか」を可視化します。
このグラフは、以下の2つの指標を縦軸と横軸にとります。
- 縦軸：真陽性率（TPR / Recall）
「正解データ（陽性）をどれだけ拾えたか」。高いほど良い（上に行くほど優秀）。 - 横軸：偽陽性率（FPR）
「間違い（陰性）をどれだけ誤って拾ってしまったか」。低いほど良い（左に行くほど優秀）。
グラフの線が「左上（誤検知ゼロで、見逃しゼロ）」に近づくほど、理想的なモデルと言えます。
AUC（Area Under the Curve）とは？
ROC曲線の下側の面積をAUC（Area Under the Curve）と呼びます。グラフの形だと比較しにくいため、0から1の数値でスコア化したものです。
| AUCの値 | 評価 |
|---|---|
| 1.0 | 完璧なモデル（すべて正解） |
| 0.8 〜 0.9 | 非常に精度の高いモデル |
| 0.5 | ランダムな予測（コイン投げと同じレベル） |
G検定対策
出題ポイント
- 軸の定義：「縦軸＝TPR（真陽性率）」「横軸＝FPR（偽陽性率）」の組み合わせを選ぶ問題が頻出です。混同行列の用語と合わせて覚えましょう。
- ランダムな予測：完全にランダムに予測した場合、ROC曲線は「左下から右上への対角線」になり、AUCは0.5になります。
- クラス不均衡への強さ：正解率（Accuracy）に比べると、陽性と陰性のデータ数に偏りがあっても正当に評価しやすい指標です。
ひっかけ対策
- AUCの過信：「AUCが高い＝必ずビジネスで使える」とは限りません。陽性データ（病気の人など）が極端に少ない場合、AUCが高く出すぎてしまう性質があるため、その場合はPR曲線（Precision-Recall Curve）を使うこともあります。
- 閾値との関係：ROC曲線は「閾値を0から1まで変化させたときの軌跡」を描いたものです。特定の閾値での一点の性能ではないことに注意してください。
