HOME»情報処理安全確保支援士令和7年秋期»午前Ⅰ 問2
情報処理安全確保支援士令和7年秋期 午前Ⅰ 問2
問2
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。
- "間違い"と予測したデータのうち，実際は"正しい"データの割合
- 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
- 実際に"間違い"であるデータに対し，正しく"間違い"と予測したデータの割合
- 全データのうち，実際に正しく予測できなかったデータの割合
- [出典]
- 応用情報技術者
令和7年秋期 問3と同題
分類
テクノロジ系 » 基礎理論 » 情報に関する理論
正解
イ
解説
与えられたデータを「はい・いいえ」「陽性・陰性」などの2つのクラスに分類する機械学習モデルにおける判定結果は、AIが予測したクラスと実際のクラス分類の関係から、真陽性、偽陽性、真陰性、偽陰性の4つに分けることができます。
さらに、この4つの値を使って2値分類モデルの精度を示す指標として、正解率、再現率(真陽性率)、適合率、特異度などがあります。
- 真陽性："正しい"データを、"正しい"と予測した
- 偽陽性："間違い"データを、"正しい"と予測した（第1種の誤り）
- 偽陰性："正しい"データを、"間違い"と予測した（第2種の誤り）
- 真陰性："間違い"データを、"間違い"と予測した
- 正解率
- 実際のクラスと同じクラスを予測した割合：TP＋TNTP＋FN＋FP＋TN
- 適合率
- 陽性と予測したものうち実際に陽性だった割合：TPTP＋FP
- 真陽性率（再現率、感度）
- 実際に陽性のものを正しく陽性と予測した割合：TPTP＋FN
- 特異度
- 実際に陰性のものを正しく陰性と予測した割合：TNFP＋TN
- 偽陽性率
- 実際に陰性のものを誤って陽性と予測した割合：FPFP＋TN
- 偽陰性率の説明です。実際には病気の人が、検査で"異常なし"と判定されてしまう割合がこれに当たります。
- 正しい。偽陽性率の説明です。実際には"異常なし"の人が、検査で病気と判定されてしまう割合がこれに当たります。
- 特異度の説明です。
- 誤分類率（1－正解率）の説明です。