ROC曲線とAUC計算機 - 二値分類モデル評価

受信者動作特性（ROC）曲線は、二値分類モデルの判別能力を、取り得るすべての意思決定閾値にわたって評価するためのグラフです。意思決定閾値が高い値から低い値へ変化するにつれて、縦軸の真陽性率（TPR、または感度）と横軸の偽陽性率（FPR、または1 − 特異度）をプロットします。 感度（TPR）は、実際の陽性を正しく識別できた割合です：TPR = TP / (TP + FN)。特異度は、実際の陰性を正しく識別できた割合です：Specificity = TN / (TN + FP)。FPR = 1 − Specificity = FP / (TN + FP) です。完全な分類器は左上隅（FPR = 0、TPR = 1）を通り、ランダム分類器のROC曲線は（0,0）から（1,1）への対角線上に位置します。 ROC曲線下面積（AUC）は、分類性能全体を1つのスカラーで要約します。AUCが1.0なら完全な判別、0.5なら判別能力なし（ランダム推測と同等）です。一般的には、AUC ≥ 0.9 は非常に高い、0.8–0.9 は高い、0.7–0.8 は中程度、0.7未満は低いとされます。 この計算機は、階段状のROC曲線下の面積を積分する台形則でAUCを計算します。また、Youden の J 統計量（J = sensitivity + specificity − 1）を使って最適な意思決定閾値を特定し、感度と特異度の合計を最大化するバランスのよい動作点を示します。 ROC曲線とAUCは、医療診断（患者を病気群と健常群に分ける分類器）、機械学習（二値分類モデルの評価）、与信スコアリングで標準的な評価指標です。accuracy とは異なり、AUC はクラス不均衡の影響を受けにくいため、陽性例が少ない場合に特に有用です。 このツールは、スコアとラベルの任意の組を受け付けます。スコアは確率、logit値、または任意の連続的な順位付け値で構いません。ラベルは0（負例）または1（正例）である必要があります。結果テーブルにはすべてのROC動作点が表示され、最適閾値の行が見やすくハイライトされます。