令和7年度 秋期 応用情報技術者試験 午前 問3
テクノロジAI・データ活用AI の技術(機械学習・生成AI の仕組み)
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。
解答・解説
正解: 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
ROC曲線は、2クラス分類モデルの性能を評価する手法の一つで、縦軸に真陽性率（TPR）、横軸に偽陽性率（FPR）をとったグラフです。的中の「陽性（正しい）」とハズレの「陰性（間違い）」にデータを分類する場合を考えます。
偽陽性率（FPR）は、「実際には陰性（間違い）であるデータのうち、誤って陽性（正しい）と予測してしまったデータの割合」を表します。
計算式は以下の通りです。
（※ FP: 偽陽性、TN: 真陰性）
各選択肢の解説
- 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
予測が陰性（間違い）だったもののうち、実際には陽性（正しい）だった割合（偽発見脱落率：False Omission Rate）の説明であり、誤りです。 - 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
正解です。 実際は陰性（間違い）であるデータのうち、誤って陽性（正しい）と予測した割合であり、これが偽陽性率の説明です。 - 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
実際は陰性（間違い）であるデータのうち、正しく陰性（間違い）と予測できた割合であり、真陰性率（特異度）の説明のため誤りです。 - 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
全体のうち予測を外したデータの割合であり、誤分類率（エラー率）の説明のため誤りです。