【G検定過去問風テスト】ROC曲線とAUCの評価基準・見方を速攻マスター！

2026年7月24日 2026年7月24日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

二値分類モデルの評価で用いられるROC曲線およびAUCに関する説明として、最も適切な選択肢を1つ選べ。

A）ROC曲線は、横軸に「再現率（真陽性率）」、縦軸に「偽陽性率」をとってプロットしたグラフである。
B）AUC（Area Under the Curve）はROC曲線の下側の面積を表し、その値は 0.0 から 1.0 の値をとり（ランダム予測で 0.5）、1.0 に近づくほどモデルの判別性能が高いことを示す。
C）分類の判定基準（しきい値）を厳しくして「陽性」と判定しにくくすると、偽陽性率と再現率（真陽性率）はどちらも大きくなる。
D）完全にランダムな予測を行うモデルのAUC値は 0（ゼロ）となり、グラフは右下がりの直線を描く。

🔍 ここをクリックして正解を見る

正解: B）AUC（Area Under the Curve）はROC曲線の下側の面積を表し、その値は 0.0 から 1.0 の値をとり（ランダム予測で 0.5）、1.0 に近づくほどモデルの判別性能が高いことを示す。

💡 合格に近づく！徹底解説

重要度: ★★★

■ 1分で分かる！この問題の要点

ROC曲線：判定の基準（しきい値）を厳しくしたり緩くしたり変えた時の「見逃しにくさ（再現率）」と「誤診率（偽陽性率）」の変化を描いた曲線。
AUC：ROC曲線の「下側の面積」。1.0に近ければ近いほど（グラフが左上に大きく膨らむほど）優秀なAIモデル！

■ 初学者向け解説（例え話や背景）

AIが「陽性（Yes）」か「陰性（No）」かを判断するとき、裏では「確率〇〇%以上なら陽性と判定する」という合格ライン（しきい値）を設定しています。

例えば、がん検診で合格ラインをものすごく緩くして「ちょっとでも怪しければ全員『がん（陽性）』と判定する！」とすると、本当の患者を絶対に逃しませんが（再現率が100%になる）、健康な人まで「あなた陽性です！」と誤診する（偽陽性率が高くなる）事態が起きます。

この「判定ラインの厳しさ」を変化させたときに、AIがどれだけ優秀に踏みとどまれるかを可視化したのがROC曲線です！

グラフの線が「左上」に向かって大きく膨らみ、その下の面積＝AUCが 1.0 に近づくほど、「どんな判定基準に設定しても誤診が少なく見逃しも作らない、無敵のAI」であることを証明できます。

■ 選択肢の解説

A) ROC曲線は、横軸に「再現率（真陽性率）」、縦軸に「偽陽性率」をとってプロットしたグラフである。（×）: 軸の説明が逆です。ROC曲線は縦軸に「再現率（真陽性率）」、横軸に「偽陽性率」をとってプロットします（ひっかけの定番パターンです）。
B) AUC（Area Under the Curve）はROC曲線の下側の面積を表し、その値は 0.0 から 1.0 の値をとり（ランダム予測で 0.5）、1.0 に近づくほどモデルの判別性能が高いことを示す。（○）: 正解です！AUCは 0.5（適当なコイントスレベル）から 1.0（完璧な判別能力）の間で性能を判断し、1.0 に近いほど高性能です。
C) 分類の判定基準（しきい値）を厳しくして「陽性」と判定しにくくすると、偽陽性率と再現率（真陽性率）はどちらも大きくなる。（×）: 基準を厳しくすると、軽易に「陽性」と答えなくなるため誤診（偽陽性率）は減りますが、同時に本物の見逃しが増えるため再現率（真陽性率）は小さく（低下）なります。
D) 完全にランダムな予測を行うモデルのAUC値は 0（ゼロ）となり、グラフは右下がりの直線を描く。（×）: 完全ランダムな予測（コイントスなど）のAUC値は 0.5 となり、原点(0,0)から対角線(1,1)に向かう「右上がりの直線（45度線）」になります。