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）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。ROC曲線は、二値分類モデルの判定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として表し、曲線下の面積であるAUCによって識別性能を1つの数値で評価できる。k分割交差検証はデータをk個に分割し、検証に使う部分を入れ替えながら性能を評価する方法であり、しきい値を変えた際の性能変化を曲線で示すものではない。L2正則化（リッジ回帰）は重みの大きさに制約を加えて過学習を抑える学習上の工夫であり、モデルの識別性能を評価する指標ではない。ホールドアウト法は訓練データとテストデータに1回だけ分割して評価する方法であり、しきい値ごとの性能を追う方法ではない。
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。
正解はAUC。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定義される指標であり、0.5でランダムな分類と同等、1に近いほど分類性能が高いことを示し、しきい値を1つに固定せず全体の性能を1つの数値で評価できる。F値は適合率と再現率の調和平均、正解率は全体のうち正しく分類できた割合であり、どちらもあるしきい値で分類した結果から求まる1つの数値にすぎない。混同行列は予測クラスと実際のクラスの組み合わせを表にまとめたものであり、面積という連続値で表される指標ではない。
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）