ROC分析とは
ROC分析（ROC Analysis）とは、二値分類モデルの性能を評価するための手法で、ROC曲線（Receiver Operating Characteristic Curve）を用いて真陽性率（感度）と偽陽性率（1-特異度）の関係を可視化します。もともとレーダー信号検出理論に由来し、現在は医学診断、機械学習、品質管理など幅広い分野で使用されています。
ROC曲線の読み方
ROC曲線はX軸に偽陽性率、Y軸に真陽性率をとり、分類閾値を変化させたときの各率をプロットした曲線です。曲線が左上角に近いほど性能が高く、対角線（ランダム予測）は最低水準を示します。曲線の形状から、分類器の全体的な性能と最適な閾値を判断できます。
AUC（曲線下面積）
AUC（Area Under the Curve）はROC曲線の下側の面積で、0から1の値を取ります。AUCが1に近いほど優れた分類性能を示し、0.5はランダムな分類に相当します。一般的に、AUCが0.7以上で許容可能、0.8以上で良好、0.9以上で優秀と評価されます。
ROC分析の利点と注意点
ROC分析は閾値に依存しない総合的な性能評価が可能で、クラス不均衡データでも安定した評価ができます。ただし、多クラス分類への拡張には工夫が必要で、また不均衡データではPR曲線（適合率-再現率曲線）との併用が推奨される場合があります。