ROC曲線とは？分類モデルの性能を視覚化するツール

はじめに

ROC曲線（Receiver Operating Characteristic Curve）は、分類モデルの性能を視覚的に評価するグラフです。
真陽性率（感度）と偽陽性率の関係を表し、モデルの判別能力を多角的に分析できます。
この記事ではROC曲線の基本概念や作成方法、活用例をわかりやすく解説します。

基本情報・概要

ROC曲線は、分類モデルの閾値を変化させながら、各閾値における

• 真陽性率（True Positive Rate, TPR）
• 偽陽性率（False Positive Rate, FPR）

をプロットしたものです。

• 真陽性率（TPR）＝感度＝正しく陽性を検出した割合
• 偽陽性率（FPR）＝誤って陽性と判定した陰性の割合

深掘り解説

• ROC曲線の描き方

  1. モデルの出力スコアの閾値を0から1まで変化させる
  2. 各閾値でTPRとFPRを計算
  3. FPRを横軸、TPRを縦軸にプロットし曲線を描く

• 理想的なROC曲線
  左上に近いほど良く、TPRが高くFPRが低いモデルを示す。

• 対角線（ランダムモデル）
  ランダムな予測を表し、AUC=0.5となる。

• AUC（Area Under the Curve）
  ROC曲線の下の面積で、モデルの判別能力の総合指標。

応用・発展的な使い方

• モデル性能の比較
• 閾値設定の最適化
• 医療診断や信用評価など重要な判別タスクの評価
• 多クラス分類への拡張手法

よくある誤解と注意点

• ROC曲線は二値分類での評価が基本
• クラス不均衡が激しい場合はPR曲線も併用すると良い
• 閾値によって性能が大きく変わることに注意

まとめ

ROC曲線は分類モデルの性能を直感的に理解しやすい視覚的ツールです。
真陽性率と偽陽性率の関係を示すことで、モデルの判別力や閾値の適切さを評価できます。
モデル評価の基本として、ぜひ理解しておきたい技術です。