定義
AUC-ROCとは、機械学習モデルの分類性能を0から1の数値で表す評価指標で、ROC曲線の下側の面積を意味する。
AUC-ROC (ROC曲線下面積)とは（詳しく解説）
AUC-ROCは、二値分類モデルが正例と負例をどれだけ正しく順序づけられるかを示す指標で、真陽性率(TPR)と偽陽性率(FPR)の関係を描いたROC曲線の下側面積として計算される。値は0.5(ランダム予測)から1.0(完全分類)の範囲を取り、モデル比較の業界標準指標として広く採用されている。ただし2026年時点の実運用では、クラス不均衡が強いデータ(不正検知や医療診断など陽性が数%しかないケース)ではAUC-ROCが高くても実際の適合率・再現率が低いという落とし穴が知られており、そうした現場ではPR-AUC(適合率-再現率曲線下面積)を併用する選び方が定着しつつあるとされる。指標算出自体のコストは小さいが、モデル再学習や継続的なモニタリング体制の構築には相応の運用コストがかかる点も見落とされがちである。
AUC-ROC (ROC曲線下面積)の使用例
- 画像分類モデルの性能評価で、AUC-ROCが0.85なら「ランダム予測より大きく優れている」と判断できる目安になる。
- 不正検知モデルの現場ではAUC-ROCだけでなく、少数派クラスに強いPR-AUCも併記して評価するケースが増えている。
