問題 No.58
二値分類モデル（例：画像から不良品か良品かを判定するAI）を実務に導入する際、モデルが出力する確率に対する閾値（カットオフ値）をどこに設定するかによって、陽性を見落とすリスクと陰性を誤検出するリスクのバランスが大きく変動し、モデル本来の識別能力を客観的に評価しにくい課題がある。閾値を1から0まで連続的に変化させた際、偽陽性率（横軸）と真陽性率（縦軸）が描く軌跡をプロットし、閾値の設定に依存しないモデル全体の分類性能を視覚的に評価するための曲線はどれか。
【正解の解説】
ROC曲線
ROC曲線は、偽陽性率と真陽性率の関係をプロットし、閾値を変えても変わらないモデルの全体的な識別能力（分類性能）を評価するための曲線です。
スポンサーリンク
【その他の選択肢の解説】
学習曲線
学習曲線は、学習回数（エポック）とともに損失値や精度がどう変化したかを示すグラフであり、分類性能の評価用ではありません。
決定境界線
決定境界線は、モデルがクラスを分けるための境界そのものを指す言葉であり、モデル全体の性能を評価する曲線ではありません。
回帰直線
回帰直線は、数値の予測などを行う際に、データにフィットさせた直線のことであり、分類性能の評価とは関係ありません。