ROC曲線

2クラス分類のモデルで、正例と判定するしきい値を変化させたときの、偽陽性率を横軸、真陽性率（再現率）を縦軸にとって描いた曲線。曲線が左上に寄るほど性能が高く、曲線の下の面積（AUC）でモデルを比較する。

2値分類のモデルで、陽性と判定するしきい値を変えたときの、偽陽性率（横軸）と真陽性率（縦軸）の組を結んだ曲線。曲線が左上に寄るほど性能が高く、曲線の下側の面積であるAUCでモデルを比較する。ROCはReceiver Operating Characteristicの略。

特徴量エンジニアリングの手法の一つで、数値をしきい値で区切って0と1の2値に変換すること。「購入金額が1万円以上か」のように、量の大小よりも条件を満たすかどうかに意味がある場合に使い、外れ値の影響も抑えられる。画像処理では、画素の濃淡をしきい値で白と黒に分ける処理を指す。

データが満たすべき品質の条件を、検査できる形で定めた規則。必須項目の未入力の禁止、値の範囲や形式、項目間の整合、参照先コードの存在などを定め、しきい値とともにデータガバナンスで承認する。入力時のチェックや定期的な自動検査に組み込み、品質の低下を予防・検知する。

実際に陽性であるもののうち、分類モデルが正しく陽性と予測できたものの割合。TP÷（TP＋FN）で求め、感度や真陽性率ともいい、見逃し（偽陰性）のコストが大きい病気の検査や不正取引の検知で重視する。しきい値を下げると再現率は上がるが、適合率は下がりやすい。

ROC曲線の下側の面積で、2値分類のモデルの性能を、しきい値によらずに表す指標。0から1の値をとり、1に近いほど陽性と陰性をよく識別できることを示し、無作為な判定では0.5となる。不均衡なデータでのモデルの比較にも使われる。