AUCとは？

AUC（Area Under the Curve）は、機械学習や統計学における分類モデルの評価指標です。一般的にはROC曲線（Receiver Operating Characteristic curve）の下部面積を指し、「AUC-ROC」とも呼ばれます。

ROC曲線とAUCの仕組みを理解するには、まず二値分類の出力を把握する必要があります。モデルは各サンプルに対し「陽性である確率」を出力し、閾値を動かすことで偽陽性率（FPR）と真陽性率（TPR）がトレードオフの関係で変化します。このFPR（横軸）とTPR（縦軸）の関係を全閾値にわたって描いたのがROC曲線で、その曲線の下側の面積がAUCです。

AUCの値が持つ意味は次の通りです。

• 1.0：完全な判別能力（すべての陽性を陰性より高スコアに順位付けできる）
• 0.5：ランダムな判別（直線に等しく、モデルに有意な識別力がない）
• 0.5未満：ランダムより悪い（ラベルが逆になっている可能性）

AUCは閾値に依存しないため、異なる閾値設定のモデルを公平に比較できる点が大きな利点です。また不均衡データに対しても精度（accuracy）より安定した評価が得られます。ただし多クラス分類では拡張版（マクロ平均AUCなど）が必要になります。

医療診断・信用リスク評価・マーケティングの反応予測など、判別の優劣を評価したい幅広い場面で標準的な指標として採用されています。