閾値を変えたときの真陽性率vs偽陽性率の曲線
医療診断（病気の検出）、 不正検知、 迷惑メール分類 — 「感度と特異度のバランスをどこに置くか」を決めるときの定番ツール。
分類モデルは「スコア（0〜1）」を出すだけ。 「スコア > 閾値 → 陽性」と決めるのは人間です。
このトレードオフを「全閾値で図示」したのが ROC 曲線です。
ROC曲線（ROC Curve）：閾値を変えたときの真陽性率vs偽陽性率の曲線
| 記号 | 意味 |
|---|---|
| TP/FP/FN/TN | 混同行列の4要素 |
| TPR | 真陽性率＝感度＝Recall |
| FPR | 偽陽性率＝1−特異度 |
| AUC | ROC曲線下面積（モデルの総合性能） |
SSDSE-B-2026 などの実データを使った最小コード（12行）：
1 2 3 4 5 6 7 8 9 10 11 12 | import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, roc_curve df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1) num = df.select_dtypes('number').dropna(axis=1) X = num.iloc[:, 1:5] y = (num.iloc[:, 0] > num.iloc[:, 0].median()).astype(int) m = LogisticRegression(max_iter=1000).fit(X, y) proba = m.predict_proba(X)[:, 1] print('AUC:', roc_auc_score(y, proba).round(3)) fpr, tpr, thr = roc_curve(y, proba) print('ROC点数:', len(fpr), '最初の閾値5個:', thr[:5].round(2)) |
※ data/raw/SSDSE-B-2026.csv は e-Stat SSDSE から取得した実データを想定。
ROC曲線 は 評価指標 分野で扱われる概念です。 数学・統計の長い歴史の上に位置づけられ、 近年は計算機性能の向上と公的データ整備（e-Stat、 SSDSE 等）により実務適用が容易になりました。
この概念を正確に理解するには、 単に定義を覚えるだけでなく、 「どんな問題に対する答えとして生まれたのか」 を意識すると深く頭に入ります。 上の数式・計算例は、 そのための具体的な手がかりです。
分野の発展に伴い、 関連概念（前提・並列・派生）も増えており、 上記「関連用語」セクションのリンクを辿って俯瞰的に把握することを推奨します。
ROC曲線 が登場する代表的な場面：
ROC曲線 を扱った分析結果を報告するときに含めるべき情報：
この順番でやれば、 単に暗記するのではなく、 使える知識として身につきます。 1用語あたり 30〜60分が目安です。
Q1. ROC曲線 を 評価指標 以外の分野でも使えますか？
多くの場合、 概念自体は分野横断で応用可能です。 ただし、 用語の定義や前提条件が分野によって微妙に異なる場合があるため、 当該分野の標準文献を必ず確認してください。
Q2. 公的統計データ（SSDSE、 e-Stat）でこの概念を試したい場合、 何から始めればよい？
まず本ページの Python コードをそのまま手元で動かしてみてください。 動いたら、 入力する列を変えたり、 別の年度の SSDSE データに差し替えたりして挙動を観察すると理解が深まります。 e-Stat の 公式サイト や SSDSE の 配布ページ から CSV を直接取得できます。
Q3. 数式が苦手でも理解できますか？
はい。 「直感で掴む」セクションと「実値で計算してみる」セクションを優先して読めば、 数式を完全に理解しなくても概念の本質はつかめます。 ただし論文を読む段階ではいずれ数式の理解が必要になるので、 段階的に取り組みましょう。
Q4. もっと深く学びたい場合の次のステップは？
上の「関連用語」チップから派生概念を1つずつ辿るのが効率的です。 また、 「もう一歩深く」セクションで紹介した背景知識は、 上級書籍や論文に進むときの前提になります。
ROC曲線 は 評価指標 分野の中で次のような位置にあります。
📚 評価指標（広い分野）
┗ 関連する基礎概念群（数学・統計・前処理など）
┗ ROC曲線（このページ）
┗ 派生・発展（より高度な手法、 応用例）
この位置を把握すると、 「何の前提が必要で、 次に何を学ぶべきか」 が見えてきます。 学習・分析の道筋を立てるときの羅針盤として使ってください。
ROC曲線（ROC Curve）は、 単に用語の定義を覚えるだけでは本当には理解できません。 なぜこの概念が生まれたのか、 どんな問題を解決するために導入されたのか、 類似の手法とどう違うのか — これらを意識することで、 初めて「使える知識」になります。
数式や Python コードはあくまで 道具。 道具の使い方を覚える前に、 その道具で何をしたいか（目的） を明確にすることが、 データサイエンス学習の鉄則です。
この用語は、 単独で存在するわけではなく、 多くの関連概念とネットワークを形成しています。 上の「関連用語」セクションに挙げたリンク先を1つずつ辿ると、 全体像が見えてきます。 特に：
理論を学ぶことと、 実務で使えることは別物です。 公的統計（SSDSE、 e-Stat 等）の実データで実装・実験することで、 教科書だけでは見えない罠 に気付けます。 たとえば：
これらは ROC曲線 に限った話ではなく、 データサイエンス全般に共通する作法です。 「落とし穴」セクションの内容と合わせて、 自分なりのチェックリストを作るとよいでしょう。
ROC曲線 を使った分析の 正しさを担保する ためには、 以下の観点で検証するのが定番です。
| 観点 | 確認内容 |
|---|---|
| 前提の妥当性 | 分布の仮定、 独立性、 等分散性などの統計的前提が満たされているか |
| サンプル数 | 推定の安定性に十分な n か。 検出力分析を事前に |
| 外れ値の影響 | 少数の極端値が結果を支配していないか。 ロバスト指標と比較 |
| 交差検証 | 学習データ／検証データの分割を変えても結果が安定しているか |
| 感度分析 | パラメータをわずかに変えても結論が大きく変わらないか |
| 再現性 | 他の人が同じデータ・コードで同じ結果を得られるか |
ROC曲線 は分野横断で活躍する概念です。 業界別に見ると以下のような使われ方があります。
ROC曲線 を実際のデータで学ぶときは、 SSDSE（教育用標準データセット、 総務省統計局）が便利です。
これらは 統計センターの SSDSE ページ から CSV で直接ダウンロードできます。 上の Python コード例で data/raw/SSDSE-B-2026.csv としているのが、 まさにこれです。
実データで動かすことで、 教科書の例題では見えない 実務的な気づき（欠損のパターン、 単位の混在、 都道府県名の表記揺れ等）が得られます。
pip install pandas numpy scikit-learn matplotlib で揃います。utf-8 ではなく shift_jis や cp932 の場合がある（古い日本の公的統計に多い）。 encoding='cp932' を試してください。%matplotlib inline、 スクリプト実行なら plt.show() を忘れずに。 日本語フォントは matplotlib 用に別途設定（japanize-matplotlib 等）が必要。ROC曲線 をさらに深く学ぶための代表的リソース：
次の問いに自分の言葉で答えられるか、 試してみてください：
7問中5問以上「はい」と答えられれば、 この用語は 使えるレベル で理解できています。 残りは関連用語を学ぶ中で自然に補完されます。
このページは ROC 曲線 を解説する用語ページです。
カテゴリ：分類評価
ジャストインタイム型データサイエンス教育の一環として、必要な時に参照し、関連概念とともに学べる構成になっています。
基準ページ：correlation.html（149KB、12セクション、SSDSE-B 実値計算）と同等以上の品質を目指しています。
二値分類器のスコア閾値を 0→1 に動かしたとき、真陽性率（TPR）vs 偽陽性率（FPR）の軌跡を描いたもの。ランダム分類は対角線、完璧な分類器は左上角を通る。曲線下面積（AUC）で総合性能を要約。
| 場面 | 使い方 |
|---|---|
| 探索的データ分析 | 分布や関係性の最初の確認 |
| モデル比較 | 仮定の妥当性を裏付ける指標として |
| レポート作成 | 標準的な要約統計量・指標として明記 |
ROC 曲線 の中心となる数式・定義は次の通りです。
$$ \mathrm{TPR} = \frac{TP}{TP+FN}, \quad \mathrm{FPR} = \frac{FP}{FP+TN} $$
政府統計の総合窓口 e-Stat が公開する SSDSE-B-2026.csv（47都道府県×項目）を用いた具体的計算例を示します。
SSDSE-B-2026 から「人口100万超 = 陽性」のラベルを作り、世帯数で予測。閾値を変えて TPR/FPR を計算するとAUC ≒ 0.94 と高い分離性能を得る（東京・大阪は明らかに高人口、地方は低人口で線形分離可能）。
| 項目 | 値・指標 |
|---|---|
| データ件数 | 47 都道府県 |
| 対象指標 | 人口・世帯数・就業者数など |
| 計算結果 | 上記説明参照 |
import pandas as pd
import numpy as np
from sklearn.metrics import roc_curve, roc_auc_score
from sklearn.linear_model import LogisticRegression
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
df = df.dropna()
y = (df.iloc[:, 3] > 1_000_000).astype(int)
X = df.iloc[:, 4:5]
model = LogisticRegression().fit(X, y)
proba = model.predict_proba(X)[:, 1]
fpr, tpr, _ = roc_curve(y, proba)
print('AUC:', roc_auc_score(y, proba))上記コードは pandas / numpy / scipy / sklearn / statsmodels の標準的なライブラリを用い、SSDSE-B-2026.csv を直接読み込んで計算します（合成データ不使用）。