G検定 用語解説
AUCとは
ROC曲線の下側の面積。1に近いほど分類性能が高いことを示す指標。
まず押さえる結論
AUCは、G検定の「大項目3 機械学習の概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）具体例から判断の境界を固める
AUCを、役割と隣接概念の境界から捉える
ROC曲線の下側の面積。1に近いほど分類性能が高いことを示す指標。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- ROC曲線の下側の面積として、閾値を動かしたときの真陽性率と偽陽性率の関係を要約する指標か確認します。
- 隣接概念との境界
- AUCは複数閾値にまたがる順位性能、正解率は一つの判定結果で正しく分類した割合です。
誤答しやすい選択肢
- AUCを特定の一つの閾値における正解率と同じ値として扱う。定義の主語と処理対象を確認します。
- AUCの目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- AUCを使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作がAUCに一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: AUCを一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×教師あり・教師なし・強化学習の分類の取り違え（分類/回帰＝教師あり、クラスタリング/次元削減＝教師なし）。
×L1正則化（ラッソ＝係数が0になり変数選択も兼ねる）とL2正則化（リッジ＝係数を小さく抑えるが0にはなりにくい）の混同。
×適合率（精度）と再現率の取り違え、および混同行列の読み方。
関連する確認問題
大項目3 機械学習の概要 / モデルの評価と過学習
二値分類モデルについて、判定のしきい値をさまざまに変えたときの真陽性率と偽陽性率の関係を曲線で表し、モデルの識別性能を評価する方法はどれか。
正解は「ROC曲線とAUC」である。モデルの評価と過学習の範囲には、正解率や適合率・再現率・F値のように、しきい値を1つに固定した時点の性能を数値化する指標と、しきい値を動かしながら性能の変わり方そのものを追う指標が並ぶ。この設問が問うのは後者であり、判定のしきい値をさまざまに動かしたときに真陽性率と偽陽性率がどう変化するかを曲線として描き、曲線の下の面積であるAUCへ1つの数値としてまとめられるかどうかが選ぶ際の分かれ目になる。他の選択肢はいずれも、データを訓練用と検証用にどう分けるかという分割の手続き（k分割交差検証・ホールドアウト法）か、学習時に重みへ制約を課して過学習を抑える工夫（L2正則化）であり、しきい値を動かした識別性能の変化を曲線として捉える視点を持たない。
大項目3 機械学習の概要 / モデルの評価と過学習
2値分類器で、識別のしきい値を変えながら描いたROC曲線の下側の面積として求められ、値が1に近いほど性能が高いとされる評価指標はどれか。
AUCが他の3つと違うのは、しきい値を1つに固定せずに評価できる点にある。F値と正解率はどちらも、ある1つのしきい値で分類した結果から求まる単発の数値であり、しきい値を変えたときの挙動全体までは表さない。混同行列も特定のしきい値における予測と実際の組み合わせを整理した表にとどまる。AUCはしきい値を動かしながら描いたROC曲線の下側の面積として求まるため、しきい値の選び方に左右されにくいモデル全体の識別性能を1つの数値で表せる指標として使われる。
大項目3 機械学習の概要 / モデルの評価と過学習
分類器のしきい値を変えてROC曲線を描き、その下の面積でモデルを比較した。この指標はどれか。
この事例では「ROC曲線下の面積で分類性能を評価するか」を確認すると、AUCに絞れる。AUCが他の3つと違うのは、しきい値を1つに固定せずに評価できる点にある。F値と正解率はどちらも、ある1つのしきい値で分類した結果から求まる単発の数値であり、しきい値を変えたときの挙動全体までは表さない。混同行列も特定のしきい値における予測と実際の組み合わせを整理した表にとどまる。AUCはしきい値を動かしながら描いたROC曲線の下側の面積として求まるため、しきい値の選び方に左右されにくいモデル全体の識別性能を1つの数値で表せる指標として使われる。
同じ章で確認したい用語
到達チェック
- AUCを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、AUCに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）