G検定 用語解説
ROC曲線とは
分類のしきい値を変えながら、真陽性率と偽陽性率の関係をプロットした曲線。分類性能を視覚的に比較するのに使う。
まず押さえる結論
ROC曲線は、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 / 前処理とハイパーパラメータ
訓練データの量や学習の反復回数を横軸に、訓練データと検証データに対する性能（誤差）の推移を縦軸にとって描き、過学習や未学習の傾向を診断するのに使うグラフはどれか。
この設問を分ける軸は、グラフの横軸に何をとるかである。学習曲線は訓練データの量や学習の反復回数を横軸に置き、訓練誤差と検証誤差の開き方から過学習や未学習を診断する。ROC曲線の横軸は判定のしきい値に関わる指標であり、データ量や反復回数ではない。混同行列はそもそもグラフではなく予測結果を整理した表であり、エルボー法はクラスタリングで適切なクラスタ数を検討する手法であって、どちらもデータ量や反復回数に対する誤差の推移を描くものではない。この横軸の違いに着目すると、条件に合うグラフは学習曲線だけに絞られる。
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。
大項目3 機械学習の概要 / モデルの評価と過学習
二つの疾病分類器を、判定しきい値ごとの真陽性率と偽陽性率から作る曲線の面積で比較した。この指標はどれか。
この事例では「しきい値全体の識別性能を曲線下面積で比較するか」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
- ROC曲線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、ROC曲線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）