ROC曲線の偽陽性率

正解は イ です。 機械学習の2クラス分類における混同行列（Confusion Matrix）では、真のクラスと予測結果の組み合わせを以下の4つに分類します。 真陽性（$\text{TP}$: True Positive）：実際が陽性（正しい）で、陽性と予測 偽陰性（$\text{FN}$: False Negative）：実際が陽性（正しい）で、陰性と予測 偽陽性（$\text{FP}$: False Positive）：実際が陰性（間違い）で、誤って陽性と予測 真陰性（$\text{TN}$: True Negative）：実際が陰性（間違い）で、陰性と予測 ROC（Receiver Operating Characteristic）曲線は、縦軸に真陽性率（再現率）、横軸に偽陽性率（False Positive Rate: $\text{FPR}$）をプロットした評価グラフです。偽陽性率とは、「実際に陰性（間違い）であるデータ全体のうち、誤って陽性（正しい）と予測してしまったデータの割合」を表し、次の式で算出されます。 $$\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}$$ したがってイが適切です。 “間違い”と予測したデータのうち実際は“正しい”データの割合は、予測陰性のうちの偽陰性の割合（陰性的中率の補数: $1 - \text{NPV}$）です。 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は、真陰性率（特異度: Specificity）です（$\text{偽陽性率} = 1 - \text{特異度}$）。 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は、誤分類率（エラー率 $= 1 - \text{正解率}$）です。 実際＼予測 “正しい”と予測（陽性） “間違い”と予測（陰性） 実際に“正しい” TP（真陽性） FN（偽陰性） 実際に“間違い” FP（偽陽性） TN（真陰性） 偽陽性率は表の 下の行（実際に“間違い”）だけを分母 にして、そのうち陽性と予測した割合 FP／(FP＋TN) です。ROC曲線は横軸に偽陽性率、縦軸に真陽性率 TP／(TP＋FN) をとります。

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。

出典令和7年度 秋期 高度情報処理技術者試験 午前Ⅰ 問2
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