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」に出てくる用語です。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: 2026-10-02。
試験概要（公式）比較記事でさらに確認する
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
「大項目3 機械学習の概要」の問題で、取り違えやすい組み合わせです。
- 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と、混同行列の読み違い。
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
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。
混同行列を他の3つと分けるのは、それが予測結果を4つの区分に整理した表である点である。ROC曲線はしきい値を動かしながら性能の変化を描いた曲線、学習曲線は学習の進み具合に対する誤差の変化を描いた曲線であり、どちらも表ではなくグラフの形をとる。ホールドアウト法はそもそも評価の結果を示すものではなく、データを訓練用とテスト用に分ける手順を指す語である。予測結果を真陽性・偽陽性・偽陰性・真陰性の4区分へ突き合わせて示す表という条件に合うのは混同行列だけである。
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。
同じ章で確認したい用語
他資格でも出題される用語
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）