応用情報技術者 2023年 春期 午前2 問03
問題文
AIにおける機械学習で,2クラス分類モデルの評価方法として用いられるROC曲線の説明として、適切なものはどれか。
選択肢
ア：真陽性率と偽陽性率の関係を示す曲線である。（正解）
イ：真陽性率と適合率の関係を示す曲線である。
ウ：正解率と適合率の関係を示す曲線である。
エ：適合率と偽陽性率の関係を示す曲線である。
ROC曲線の説明【午前2 解説】
要点まとめ
- 結論：ROC曲線は真陽性率と偽陽性率の関係を示す曲線であり、分類モデルの性能評価に用いられます。
- 根拠：真陽性率（感度）と偽陽性率を閾値ごとにプロットし、モデルの識別能力を視覚的に評価できるためです。
- 差がつくポイント：ROC曲線と混同しやすい適合率や正解率との違いを理解し、正確に用語を区別することが重要です。
正解の理由
ア: 真陽性率と偽陽性率の関係を示す曲線である。が正解です。ROC曲線は、分類モデルの閾値を変化させたときの真陽性率（TPR）と偽陽性率（FPR）をプロットしたもので、モデルの性能を総合的に評価できます。これにより、誤分類のリスクと検出率のバランスを視覚的に把握可能です。
よくある誤解
ROC曲線は適合率や正解率の関係を示すものではありません。適合率は陽性と予測した中で正しい割合を示し、ROC曲線とは異なる評価指標です。
解法ステップ
- ROC曲線の定義を確認する（真陽性率と偽陽性率の関係）。
- 選択肢の用語を整理し、真陽性率・偽陽性率・適合率・正解率の意味を理解する。
- 各選択肢が示す指標の組み合わせを比較し、ROC曲線の定義に合致するものを選ぶ。
- 適合率や正解率を含む選択肢はROC曲線の説明として不適切と判断する。
選択肢別の誤答解説
- イ: 真陽性率と適合率の関係はROC曲線ではなく、Precision-Recall曲線の説明に近いです。
- ウ: 正解率と適合率の関係はROC曲線とは無関係で、混同しやすい誤りです。
- エ: 適合率と偽陽性率の関係もROC曲線の定義に合致しません。
補足コラム
ROC曲線の下の面積（AUC: Area Under the Curve）はモデルの識別能力を数値化した指標で、1に近いほど性能が良いとされます。特にクラス不均衡問題においては、ROC曲線とPrecision-Recall曲線の使い分けが重要です。
FAQ
Q: ROC曲線とPrecision-Recall曲線の違いは何ですか？
A: ROC曲線は真陽性率と偽陽性率の関係を示し、Precision-Recall曲線は適合率と再現率（真陽性率）を示します。クラス不均衡時はPrecision-Recall曲線が有効です。
A: ROC曲線は真陽性率と偽陽性率の関係を示し、Precision-Recall曲線は適合率と再現率（真陽性率）を示します。クラス不均衡時はPrecision-Recall曲線が有効です。
Q: 偽陽性率とは何ですか？
A: 偽陽性率は、実際は陰性であるものを誤って陽性と判定した割合を指します。で計算されます。
A: 偽陽性率は、実際は陰性であるものを誤って陽性と判定した割合を指します。で計算されます。
関連キーワード: ROC曲線、真陽性率、偽陽性率、機械学習、2クラス分類、AUC, Precision-Recall曲線
\ せっかくなら /
応用情報技術者を
クイズ形式で学習しませんか？
クイズ画面へ遷移する→
すぐに利用可能！