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。

テクノロジ系

ア “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

なぜ違う: 予測を分母にした別の指標で、偽陽性率の定義ではない。

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

ウ実際に“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

なぜ違う: 真陰性率（特異度）の説明で、偽陽性率ではない。

エ全データのうち，実際に正しく予測できなかったデータの割合

なぜ違う: 誤り率（全体に対する誤分類の割合）で、偽陽性率ではない。

正解: イ

要点: 偽陽性率＝実際に「間違い」なのに「正しい」と誤って予測した割合。

偽陽性率（FPR）は、実際は陰性（“間違い”）であるデータのうち、誤って陽性（“正しい”）と予測した割合 FP/(FP+TN) を表す。実際に陰性を正しく陰性と予測した割合は真陰性率（特異度）で別物。

関連キーワード: 機械学習・ROC曲線・偽陽性率

アプリで弱点分析つきの演習ができます

App Store

出典：令和7年度秋期応用情報技術者試験午前問3