ROC曲線（受信者動作特性曲線）とは、機械学習の二値分類モデルにおいて、分類の基準となる閾値を変化させたときの分類性能を視覚的に表現したグラフです。縦軸に真陽性率、横軸に偽陽性率をプロットして描き、モデルの識別能力を評価する指標として広く用いられます。曲線が左上に近いほど、モデルの分類精度が高いことを示します。
ROC曲線とは
ROC曲線は、二値分類モデルの予測精度を評価・可視化するためのグラフです。分類の基準となる「閾値」を変化させた際に、正しく「陽性」と判定できた割合（真陽性率）と、誤って「陽性」と判定した割合（偽陽性率）の関係性を描きます。
詳しく解説
ROC曲線は、元々は信号検出理論に由来する評価ツールですが、現在は機械学習における二値分類モデルの評価に不可欠な存在となっています。二値分類では、モデルが出力した確率値に対して、ある「閾値」を設定して陽性か陰性かを判断します。閾値を極端に下げれば陽性と判定されやすくなり、真陽性率が高まる一方で偽陽性率も高くなります。逆に閾値を上げれば陽性と判定されにくくなり、偽陽性率が下がりますが真陽性率も低下します。このトレードオフの関係を、閾値を0から1まで連続的に変化させながらプロットしたものがROC曲線です。プロットされた曲線の下側の面積を「AUC」と呼び、モデルの総合的な評価値として用いられます。
具体例・使われ方
例えば、ある医療AIが病気の有無を予測する場面を想定します。モデルが出力した確率値に基づいて陽性・陰性を判定する際、陽性判定の厳しさを決める閾値を調整する必要があります。閾値を変化させながらROC曲線を描くことで、偽陽性率を最小限に抑えつつ真陽性率を最大化できる「最適な閾値」を視覚的に探索できます。もし曲線が完全に左上の座標（0, 1）を通る場合、それは偽陽性を出さずに全ての陽性を正しく見分けられる完璧なモデルであることを意味します。
似た用語との違い
ROC曲線と混同されやすい概念に「PR曲線」があります。ROC曲線は縦軸に真陽性率、横軸に偽陽性率をとるのに対し、PR曲線は縦軸に適合率、横軸に再現率をとります。データセットにおける陽性と陰性の比率が大きく偏っている不均衡データの場合、ROC曲線は過度に楽観的な評価を示しやすいため、PR曲線を使用することが推奨されます。一方、ROC曲線はデータ比率に左右されにくいという特徴があります。
注意点
ROC曲線を扱う際の注意点として、曲線を目視するだけではモデル同士の厳密な比較が難しい場合があることが挙げられます。そのため、ROC曲線の下部面積である「AUC」を数値化して併用するのが一般的です。また、二値分類のみに適用される評価手法であるため、3クラス以上の多クラス分類に直接適用することは困難です。さらに、データが偏っている場合には、モデルの実用的な精度を誤認させるリスクがあるため、混同行列など他の指標との併用が必要です。