判定の基準を変えると、見逃しと誤判定はどう動く？

基準を動かすと二種類の割合が動く

高い得点ほど陽性とする判定を考えます。80点以上を陽性とした場合に比べ、60点以上へ下げれば、以前の陽性を残したまま新しい人が陽性集合へ加わります。真陽性も偽陽性も減らない関係になります。

これは同じ得点と標本で閾値だけを動かす条件での説明です。別の模型へ替えた場合や、対象集団を変えた場合に、二つの割合が必ず同じ向きに動くという法則ではありません。何を固定した比較かを確認します。

閾値とちょうど同じ得点を含めるかという規則も、陽性集合を決めます。境界上に同点の人が多い場合は割合が段階的に変わります。連続的に滑らかに動く図に見えても、具体的な人数と判定規則に戻して読むことができます。

ROCの二つの分母を読む

感度は真の陽性者のうち陽性と判定された割合で、真陽性÷（真陽性＋偽陰性）です。偽陽性率は真の陰性者のうち陽性と判定された割合で、偽陽性÷（真陰性＋偽陽性）です。

ROCは閾値ごとに横軸の偽陽性率と縦軸の感度を対応させます。偽陽性率10％は、陽性と判定された人の10％が間違いという意味ではありません。もともとの陰性者を分母にした数字です。

真の陰性80人のうち16人を陽性にすれば偽陽性率は20％です。陽性判定者が何人いるかは別に真陽性を足して求めます。「陽性率」と略すだけでは分母が分からないので、元の結果と判定後の集団を区別します。

AUCは一つの閾値の正解率ではない

AUCはROC曲線の下の面積という要約です。特定の閾値で何人を正しく判定したかを表す正解率と異なります。曲線全体がよくても、運用する一点で許される見逃しや誤判定は別に考えます。

支援対象の選定なら、見逃した人への損失、誤って対象とした場合の費用、対応できる人数が選ぶ基準に関係します。AUCだけから唯一の適切な閾値は求まりません。指標が答えている範囲と運用上の判断を分けます。

曲線に候補の閾値を表示すれば、運用する一点の見逃しと誤判定を説明しやすくなります。全体の面積の比較と、特定の閾値の比較で問いが変わることを押さえ、面積の順位から一点の優劣へ飛ばないようにします。

判定後の割合には対象の人数も要る

陽性判定者のうち真陽性の割合は、真陽性÷（真陽性＋偽陽性）です。この分母には真の陽性者だけでなく、陽性にされた陰性者も含まれます。感度や偽陽性率と同じ数字ではありません。

同じ感度と偽陽性率でも、対象集団に真の陽性者が少なければ偽陽性が陽性判定者の中で大きな部分を占める場合があります。ROCの位置に加え、対象の人数構成と具体的な混同行列を見れば、判定後の意味が読みやすくなります。

陽性判定者の信頼性を対象全体へ移すには、真の陽性・陰性の人数が重要です。元の構成の違う二地域では、同じ感度と偽陽性率でも判定後の割合が違います。割合の分母を人数へ戻すと、その理由が見えます。

二つの閾値を人数で比べる

架空の標本に真の陽性20人、陰性80人がいます。高い閾値では真陽性10人、偽陽性4人、低い閾値では真陽性16人、偽陽性16人とします。感度は50％から80％、偽陽性率は5％から20％へ上がります。

陽性判定のうち真陽性の割合は10÷14の約71％から16÷32の50％へ変わります。見逃しが減ることと、陽性判定の信頼性が高まることは同じではありません。

考えるときの注意点

• 二値の得点判定について、同一標本と同じ得点の閾値だけを変える関係を扱う。異なる模型や対象の比較にそのまま当てはめない。

持ち帰る見方

• 閾値を下げると陽性集合が広がる。
• ROCの二軸は真の結果別の分母。
• AUCと運用する一点の判断を分ける。

次に広がる疑問

• 検査が陽性でも、病気のある人の割合が違うのはなぜ？
• 予測が70％と出た人のうち、本当に7割に起きる？
• 過去のデータにぴったり合う予測は、将来も正確？

出典

• CS229 Machine Learning Tips and Tricks — Classification metrics（Afshine Amidi / Shervine Amidi／Stanford大学教材）https://web.stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks/

  確認日：2026-10-07