PR曲線とROC曲線の違いを徹底解説｜中学生にもわかる使い分けの基本と見分け方

---

PR曲線とROC曲線の違いを正しく理解するための入門ガイド

まず基本をおさえましょう。ROC曲線とは受信者動作特性曲線の略で、二値分類の性能を閾値を変えながら評価するグラフです。横軸には偽陽性率、縦軸には真陽性率がとられ、曲線の下の面積をAUCと呼びます。AUCが0.5に近いと無意味、1.0に近いほど良いと判断します。これに対してPR曲線は再現率と精度を対等に評価するグラフで、閾値を変えると再現率と精度がどう動くかを直感的に捉えられます。

ここで大切なのは、ROC曲線は全体の識別力を示すのに向いている一方、PR曲線はデータの偏りが大きいときの運用感覚に強い、という二つの性質を持つ点です。

このため実務では両方を合わせて見るのが一般的で、どちらの曲線がどんな場面で役立つかを押さえると、モデルの評価がぐっと現実的になります。

次に閾値と指標の意味を整理しましょう。真陽性率（TPR）は病気を正しく検出する割合、偽陽性率（FPR）は陰性なのに陽性と判断してしまう割合です。再現率（Recall）と精度（Precision）はPR曲線で軸になります。閾値を動かすとこれらの値がどう変化するかを観察するのが基本です。

ROC曲線は閾値変更に伴うTPRとFPRの関係を、PR曲線は再現率と精度の関係を示します。データが不均衡な場合、ROCだけだと陽性クラスの影響を正しく反映できないことがあるため、PR曲線を同時に見ると実務上の判断が安定します。

<table><th>指標ROC曲線PR曲線軸の意味真陽性率 vs 偽陽性率再現率 vs 精度データの偏りの影響比較的安定だが不均衡で過大評価のリスクあり不均衡データで有効、陽性に敏感table>

このように、ROC曲線とPR曲線は互いに補完し合う関係です。理論だけでなく、実データを使って閾値を変えたときの両方の曲線を観察し、AUCだけでなく形状や具体的な数値を報告する癖をつけましょう。現場の意思決定を支えるのは、数字の奥にある意味を読み解く力です。

使い分けの実務的なコツと注意点

実務の第一歩はデータの偏りを把握することです。陽性サンプルが少ない場合、PR曲線を重視して閾値を設定します。次に閾値の選択。ROCのAUCは閾値を横断的に評価しますが、実務ではある閾値での性能が重要です。そのため、複数の閾値でPRとROCを比較して、実務上許容できる偽陽性の数と取りこぼしの数のバランスを決めます。

また、図表を使った報告が有効です。AUCだけでなくPR曲線の形や閾値別の値を一緒に示すと、現場の理解が深まります。検証にはクロスバリデーションを使い、閾値を複数回評価して安定性を確認するのも大事です。さらに、モデルの適用対象やコストを考慮して、実務での受け入れ基準を明確にします。

要点をまとめると、1) データの偏りをチェック、2) 複数の閾値で両曲線を比較、3) AUCとPR曲線の両方を説明資料に含める、4) 見やすい図と短い解説を添える、という流れです。これらを守れば、学術的な数値と現場の運用感が結びつき、説得力のある評価ができます。

ピックアップ解説

普段は数式にしがちな話題を、友達と雑談するように深掘りします。ROC曲線とPR曲線、結局どっちを使うべき？と聞かれたら、私はこう答えます。ROCは全体の識別力の目安で、データの偏りに多少敏感です。一方PR曲線は陽性が少ない場面での実用的な指標として強く働きます。つまり、場面によって評価の焦点を変えることが大切で、データの性質を理解しておくと分析の判断が自然になります。

---