1. 問題と解答

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。

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

解答: イ

解答の考え方

偽陽性率（FPR）は「実際は Negative（間違い）であるデータのうち、誤って Positive（正しい）と予測された割合」。見分けるポイントは 分母が「実際のクラス」基準になっているか どうか。

選択肢	分母（母集団）	分子	判定
ア	予測が「間違い」とされたデータ	そのうち実際は「正しい」	分母が予測結果基準 → FPRではない
イ	実際が「間違い」のデータ	そのうち誤って「正しい」と予測	分母・分子とも条件一致 → FPR（正解）
ウ	実際が「間違い」のデータ	そのうち正しく「間違い」と予測	これはTNR（特異度）の定義
エ	全データ	そのうち予測を誤ったもの	これはError Rate（誤り率）の定義

ア・ウ・エはそれぞれ別の指標（分母が予測基準／特異度／誤り率）の定義になっており、正しく「実際のクラス＝間違い」を分母に取っているイだけがFPRの定義と一致する。

2. 基礎概念と公式

2クラス分類（正しい/間違い、陽性/陰性）の結果は次の4パターンに分かれる。

実際	予測	名称
正しい	正しい	TP（真陽性）
正しい	間違い	FN（偽陰性）
間違い	正しい	FP（偽陽性）
間違い	間違い	TN（真陰性）

ここから作れる代表的な指標は以下の通り。

指標	公式	意味（実際の母集団を基準に）
TPR 真陽性率 / Recall / Sensitivity	`TP / (TP + FN)`	実際が正のうち、正しく見つけられた割合
FNR 偽陰性率	`FN / (TP + FN)`	実際が正のうち、見逃した割合
TNR 真陰性率 / Specificity	`TN / (TN + FP)`	実際が負のうち、正しく判定できた割合
FPR 偽陽性率	`FP / (TN + FP)`	実際が負のうち、誤って正と判定した割合
Precision 適合率	`TP / (TP + FP)`	正と予測したうち、実際に正だった割合
NPV 陰性的中率	`TN / (TN + FN)`	負と予測したうち、実際に負だった割合
Accuracy 正解率	`(TP + TN) / (TP + TN + FP + FN)`	全データのうち判定が正しかった割合
Error Rate 誤り率	`(FP + FN) / (TP + TN + FP + FN)`	全データのうち判定を誤った割合
F1-score	`2TP / (2TP + FP + FN)`	Precision と Recall の調和平均

覚えておくと便利な関係

TPRとFNRは「実際が正」という同じ母集団を分母にしているので、足すと必ず1になる。

TPR + FNR = TP/(TP+FN) + FN/(TP+FN) = 1

同様に、TNRとFPRは「実際が負」という同じ母集団が分母なので、これも足すと1になる。

TNR + FPR = TN/(TN+FP) + FP/(TN+FP) = 1

つまり FPR = 1 − TNR、FNR = 1 − TPR と言い換えられる。

ROC曲線はこのFPRとTPRを軸にとったグラフ:

横軸 = FPR = FP / (FP + TN)
縦軸 = TPR = TP / (TP + FN)

一言でまとめると、FPRは「実際に負である集団の中でどれだけ誤って正と判定したか」、TPRは「実際に正である集団の中でどれだけ正しく言い当てたか」 を表す指標。分母が常に「実際のクラス」であることさえ覚えれば、分母が予測結果基準になっている選択肢に惑わされずに済む。

3. 参考資料：ROC曲線とAUCのアニメーション

出典: ROC curve, AUCを視覚的に理解する animation付き (Qiita, @kenmatsu4)
コード全体: Gist: matsuken92/05c2bc24c9edf83334b0

しきい値と分類

検査数値のような1次元の値を使って「病気 / 健康」を判定する場面を考える。判定にはしきい値を1つ設定し、例えば「検査数値が27未満なら病気、27以上なら健康」のように分類する。元記事の数値例（しきい値27）を上の混同行列に当てはめると:

TPR（真陽性率）= 0.909（病気の人の91%を正しく「病気」と判定）
FNR（偽陰性率）= 0.091（残り9%の病気の人を誤って「健康」と判定）
FPR（偽陽性率）= 0.280（健康な人の28%を誤って「病気」と判定）
TNR（真陰性率）= 0.720（残り72%の健康な人を正しく「健康」と判定）

病気群・健康群それぞれの検査数値の分布（正規分布）を考えると、しきい値 x における

TPR = 病気群の分布の累積分布関数（しきい値より「陽性側」の累積確率）
FPR = 健康群の分布の累積分布関数（同上）

に対応する。つまり密度曲線を積分した累積分布曲線（CDF）の値そのものが TPR / FPR になる。

ROC曲線の描き方

しきい値を表す縦線（識別境界）を左から右へ動かしていくと、その位置ごとに (FPR, TPR) が1組決まる。この (FPR, TPR) を横軸=FPR, 縦軸=TPR の平面上にプロットし、しきい値を動かした軌跡を線でつなぐと ROC曲線 になる。

roc_curve_animation.py の「密度曲線・累積曲線・ROC曲線を同時表示」するアニメーション（1）は、まさにこの「動いている縦線 → 累積曲線上の点 → ROC曲線上の点」という対応関係を、静止画では伝わりにくい部分を動きで見せている。

AUC（Area Under the Curve）

ROC曲線の下側の面積を AUC と呼ぶ。

2群の分布が完全に分離している（判別が完璧）→ ROC曲線は左上の角に張り付き、AUC → 1
2群の分布が完全に重なっている（判別能力なし、ランダム判定と同じ）→ ROC曲線は対角線 y = x に一致し、AUC = 0.5
元記事の数値例では AUC ≈ 0.867953

何がAUCを決めるか

元記事は、2つの要因がAUC（＝判別性能）を左右することをアニメーションで示している。

平均の差：2群の分布の平均が離れているほど重なりが減り、ROC曲線が左上にシフトしてAUCが上がる（アニメーション 2：平均 μ1 を 10→30 と動かして分布2の平均に近づける）
分散の差：分布の広がり（標準偏差）が小さいほど重なりが減り、同様にAUCが上がる（アニメーション 3：標準偏差 σ1 を 5→0.5 と縮めていく）

4 は 3 と同じ動きにAUCの数値も表示したもの。

まとめると、2つの分布が「離れているか」「尖っているか（分散が小さいか）」がそのままROC曲線の形＝判別性能を決める、というのがこの記事の核心的な主張。

アニメーション一覧

#	内容	何を動かすか
1	密度曲線・累積曲線・ROC曲線を同時表示	判定しきい値 x
2	分布1の平均が分布2に近づく	平均 μ1 (10→30)
3	分布1の分散が分布2に近づく	標準偏差 σ1 (5→0.5)
4	3と同じだが ROC曲線のタイトルに AUC を表示	標準偏差 σ1 + AUC値

ファイル構成

roc_curve_animation.py — 上記4つのアニメーションを再現する実行可能スクリプト（元記事のコードを1本にまとめたもの）

実行方法

pip install matplotlib numpy scipy pillow
python roc_curve_animation.py 1     # output/ROC_curve1.gif
python roc_curve_animation.py 2     # output/ROC_curve2.gif
python roc_curve_animation.py 3     # output/ROC_curve3.gif
python roc_curve_animation.py 4     # output/ROC_curve_auc.gif
python roc_curve_animation.py all   # 4つまとめて生成

output/ サブフォルダに .gif が出力される（動作確認済み。output/ 内の4つのgifは上記のREADME内プレビューにも使われているもの）。

元記事のコードからの変更点

元のコードをそのまま動かすには2つの外部依存があり、環境によっては動かないので置き換えた。

writer='imagemagick' → PillowWriter
元記事は GIF 保存に ImageMagick の外部バイナリを使用している。ImageMagick が未インストールの環境でも動くように、matplotlib 標準搭載の PillowWriter（Pillow ライブラリのみに依存）に変更。
sklearn.metrics.auc → numpy.trapz
AUC計算（アニメーション4）にscikit-learnを使っていたが、台形則によるAUC計算は numpy.trapz だけで完結するため、scikit-learn依存を無くした。計算結果は同じ。

それ以外のロジック（分布のパラメータ、描画内容、フレーム数など）は元記事のまま。