ROC 曲線の偽陽性率
出典: 令和7年度 秋期 応用情報技術者試験 午前 問3 (IPA)
AI における機械学習において，2 クラス分類モデルの評価方法の一つである ROC 曲線で用いられる偽陽性率の説明として，最も適切なものはどれか。ここで，分類されるデータには正しいものと間違っているものが含まれるものとする。
- ア “間違い”と予測したデータのうち，実際は“正しい”データの割合
- イ 実際に“間違い”であるデータに対し，誤って“正しい”と予測したデータの割合
- ウ 実際に“間違い”であるデータに対し，正しく“間違い”と予測したデータの割合
- エ 全データのうち，実際に正しく予測できなかったデータの割合
正解と解説を見る
正解: イ
- ア: 分母が「“間違い” と予測したデータ」なので、偽陽性率ではありません (陰性と予測した中の誤りの割合で、FN / (FN + TN) にあたります)。
- イ: 実際は陰性 (“間違い”) のデータのうち、誤って陽性 (“正しい”) と予測した割合なので、偽陽性率の定義そのものです。
- ウ: 実際は陰性のデータを正しく陰性と予測した割合は「真陰性率 (特異度)」です。1 − 偽陽性率 にあたります。
- エ: 全データのうち予測を誤った割合は「誤分類率」で、1 − 正解率 にあたります。
ポイント
- “正しい” を陽性 (Positive)、“間違い” を陰性 (Negative) と考えます。
- 偽陽性率 (FPR) = FP / (FP + TN): 実際は陰性のデータのうち、誤って陽性と予測した割合です。
- ROC 曲線は、横軸に偽陽性率、縦軸に真陽性率 (TPR = TP / (TP + FN)) をとって描きます。