PythonでROC曲線をプロットする方法をわかりやすく解説

ROC曲線とは？

ROC（Receiver Operating Characteristic：受信者動作特性）曲線は、分類モデルの性能を視覚的に評価するためのグラフです。横軸に偽陽性率（FPR）、縦軸に真陽性率（TPR）を取り、モデルの識別能力を直感的に確認できます。

scikit-learnでは metrics.plot_roc_curve(clf, X_test, y_test) メソッドを使うことで、学習済みモデルから簡単にROC曲線を描画できます。

ROC曲線をプロットする手順

1. 分類用データセットの生成
   make_classification() メソッドを使用して、ランダムなnクラス分類問題のデータを作成します。このメソッドは、正規分布（標準偏差=1）に従う点群を、一辺が 2*class_sep の n_informative 次元超立方体の頂点周辺にクラスタとして生成し、各クラスに同数のクラスタを割り当てます。また、特徴量間の相互依存性を導入し、さまざまな種類のノイズをデータに加えます。
2. データの分割
   train_test_split() メソッドを使用して、配列や行列を訓練データとテストデータにランダムに分割します。
3. SVMモデルの学習
   fit() メソッドを使用して、与えられた訓練データに基づきSVMモデルを学習させます。
4. ROC曲線の描画
   plot_roc_curve() メソッドを使用して、受信者動作特性（ROC）曲線をプロットします。
5. グラフの表示
   plt.show() メソッドを使用して、図を画面に表示します。

サンプルコード

import matplotlib.pyplot as plt
from sklearn import datasets, metrics, model_selection, svm

# 分類用データセットを生成
X, y = datasets.make_classification(random_state=0)

# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = model_selection.train_test_split(
    X, y, random_state=0
)

# SVMモデルの作成と学習
clf = svm.SVC(random_state=0)
clf.fit(X_train, y_train)

# ROC曲線をプロットして表示
metrics.plot_roc_curve(clf, X_test, y_test)
plt.show()

実行結果

上記のコードを実行すると、テストデータに対するROC曲線とAUC（Area Under the Curve）スコアが表示されます。AUCが1に近いほど、モデルの分類精度が高いことを示します。

注意：新しいバージョンでの推奨方法

scikit-learn 1.0以降では plot_roc_curve() は非推奨となり、代わりに RocCurveDisplay.from_estimator() の使用が推奨されています。最新の環境では以下のように書き換えることができます。

from sklearn.metrics import RocCurveDisplay

RocCurveDisplay.from_estimator(clf, X_test, y_test)
plt.show()