令和7年度 秋期 プロジェクトマネージャ試験 データベーススペシャリスト試験 エンベデッドシステムスペシャリスト試験 システム監査技術者試験 情報処理安全確保支援士試験 午前Ⅰ 問題【共通】 問2
テクノロジAI・データ活用AI の技術(機械学習・生成AI の仕組み)
AIにおける機械学習において，2クラス分類モデルの評価方法の一つであるROC曲線で用いられる偽陽性率の説明として，最も適切なものはどれか。ここで，分類されるデータには正しいものと間違っているものが含まれるものとする。
解答・解説
正解: イ. 実際に“間違い”であるデータに対し，誤って“正しい”と予測したデータの割合
2クラス分類モデル における ROC曲線 と 偽陽性率（FPR: False Positive Rate） についての理解を問う問題です。
分類問題では、予測結果と実際の結果の組み合わせによって、以下の4つに分類されます。ここでは、「正しい」を陽性（Positive）、「間違い」を陰性（Negative）として当てはめます。
- 真陽性（True Positive）: 実際は「正しい」で、予測も「正しい」
- 真陰性（True Negative）: 実際は「間違い」で、予測も「間違い」
- 偽陽性（False Positive）: 実際は「間違い」なのに、誤って「正しい」と予測
- 偽陰性（False Negative）: 実際は「正しい」のに、誤って「間違い」と予測
偽陽性率 とは、実際に陰性（「間違い」）であるデータ全体のうち、誤って陽性（「正しい」）と予測されてしまった割合を指します。
したがって、最も適切な説明は「イ」となります。
各選択肢の解説
- ア: 誤りです。陰性（「間違い」）と予測されたデータの中に含まれる実際の陽性（「正しい」）の割合を示しており、偽陽性率ではありません。
- イ: 正解です。実際に「間違い」であるデータ（陰性）に対し、誤って「正しい」（陽性）と予測したデータの割合であり、偽陽性率 の正しい説明です。
- ウ: 誤りです。実際に「間違い」であるデータ（陰性）を、正しく「間違い」（陰性）と予測した割合は、真陰性率（特異度） と呼ばれます。
- エ: 誤りです。全データのうち、予測が外れたデータの割合は 誤分類率（エラー率） と呼ばれます。