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 / モデルの評価と過学習
二値分類において、適合率（精度）と再現率の調和平均をとり、両者のバランスを一つの数値で表したものはどれか。
正解は「F値」である。適合率と再現率の調和平均で両者のバランスを表すのはF値。正解率は全体のうち正しく予測できた割合で、適合率と再現率の調和平均ではない。混同行列は予測と実際の対応を整理した表そのもの。ROC曲線は閾値を変えたときの検出性能を描いた曲線であり、調和平均を表す単一の指標ではない。「適合率と再現率の調和平均」という定義がそのままF値を指す。片方だけが高い分類器を過大評価しないため、両者を同時に見る指標として使われる。特に不均衡データでは正解率だけでは性能を読み誤るため、F値が問われやすい。
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
分類モデルの結果を、真陽性・偽陽性・偽陰性・真陰性のように整理する表はどれか。
正解は「混同行列」である。混同行列は、分類モデルの予測結果を実際のラベルと突き合わせ、真陽性・偽陽性・偽陰性・真陰性の4つに整理する表であり、適合率や再現率などの評価指標を計算する基礎になる。ROC曲線は判定のしきい値を変えたときの真陽性率と偽陽性率の関係を示す曲線であり、結果を4分類に整理する表そのものではない。学習曲線は学習データの量や学習の進み具合に対する性能の変化を示す図であり、予測結果を集計する表ではない。ホールドアウト法は訓練データとテストデータに分割して評価する方法であり、予測結果を4分類に整理する表ではない。
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）