従来型ML・データ
ROC曲線・AUCとは？意味・仕組みをわかりやすく解説
あーるおーしー・えーゆーしー / ROC Curve, AUC ／ 最終更新日：2026年7月7日
30秒でわかる定義
ROC曲線は、分類モデルの判定しきい値を変えたときの「真陽性率」と「偽陽性率」の関係を描いた曲線です。AUC（曲線下の面積）はその性能を0〜1で数値化した指標で、1に近いほど良い分類性能を表します。しきい値に依存しない評価ができます。
仕組み・基本の流れ
- 1分類の判定しきい値を段階的に変える
- 2各しきい値での真陽性率（縦軸）と偽陽性率（横軸）をプロットしてROC曲線を描く
- 3曲線下の面積（AUC）を計算する。0.5＝ランダム、1.0＝完璧
- 4AUCで、しきい値に依存しない総合的な分類性能を比較する
実務でのポイント：データが偏っている（陽性が少ない等）場合、正解率より実態を反映しやすい指標です。ただし極端な不均衡データでは、適合率・再現率のバランスを見るPR曲線（PR-AUC）の方が適切なこともあります。
関連する用語
このスキルを活かせる職種と年収は？
ROC/AUC・PR曲線を目的に応じて使い分けられることは、分類モデルを適切に評価するデータサイエンティストの必須スキルです。指標選定の判断力が問われます。
よくある質問
Q. AUCはどのくらいの値なら良いですか？
A. AUCは0.5がランダム（無意味）、1.0が完璧な分類です。一般に0.7以上でまずまず、0.8〜0.9で良好、0.9以上で非常に良いとされますが、タスクやデータの難易度により基準は変わります。
Q. ROC-AUCとPR-AUCの使い分けは？
A. クラスのバランスが取れているならROC-AUC、陽性が極端に少ない不均衡データでは適合率と再現率に着目するPR-AUCの方が実態を反映しやすいことが多いです。