Interactive
ROC・PR曲線とAUC可視化
分類評価指標を「曲線」として実際に計算します。ROC・PR曲線とAUCタブでは、ROC-AUCを台形積分・ペア列挙・ランク和法という3つの独立した方法で計算して一致を確認し、 不均衡データでROC-AUCとPR-AUCが 乖離する様子を観測できます。閾値を選ぶタブでは 混同行列を動かしながらF1・Fβ・最適閾値の関係を確認できます。
データセット
記事の核心。陽性5件・陰性495件で分離度は中程度。ROC-AUCは高いままなのに、PR-AUCは有病率（≒0.01）に近い低い値まで落ちる。
陽性 5 件 ／ 陰性 495 件 （陽性割合 0.0100）
ROC曲線
PR曲線
ROC-AUCを3つの独立した方法で計算する
① 台形積分
ROC曲線下の幾何的な面積
0.959798
② ペア列挙
陽性>陰性の割合（同点0.5）
0.959798
③ ランク和法
Mann-Whitney U統計量
0.959798
3つとも幾何・確率・統計というまったく別の定義から出発しているのに、小数点以下6桁まで一致します—— 「曲線下の面積」と「順位確率」が同じ量であることの直接の証拠です。
ROC-AUC と PR-AUC の乖離
ROC-AUC
0.960
PR-AUC（Average Precision）
0.224
PR曲線の橙の破線はベースライン（陽性割合 0.0100）です。ROCの対角線（灰）は常に0.5である一方、 PRのベースラインはデータの不均衡度そのものに動きます。 このデータは陽性が1.0%しかないため、ROC-AUCが高くてもPR-AUCは大きく下がりやすい状況です。
スコアはガウス分布に近い決定的な擬似データです。分離度（陽性・陰性の平均差）を変えたプリセットで、 AUCと不均衡度の関係を比較できます。
ここが分かる
- 「曲線下の面積」と「順位確率」が同じ量であることを直接確認できる——幾何的な台形積分、陽性・陰性ペアの数え上げ、統計学のランク和法（Mann-Whitney U）という3つのまったく異なる定義から出発したAUCが、小数点以下6桁まで一致する。
- 不均衡データを選ぶとROC-AUCとPR-AUCが乖離する——同じ「分離のしやすさ」でも、陽性が1%のデータではROC-AUCが高いままPR-AUCだけが有病率近くまで落ちる。ROCの分母（陰性総数）とPRの分母（陽性予測数）の違いが数値として現れる。
- 閾値を動かしてもAUCは変わらない——AUCは順位だけを見る指標なので、混同行列やF1が閾値スライダーで変化する一方、ROC-AUC/PR-AUCの表示はぴくりとも動かない。「モデル比較はAUCで、運用点は閾値で」という記事の二段階構成が体感できる。
- βを動かすとF1最大化の閾値が動く——見逃しを嫌うか誤検出を嫌うかで最適な閾値が変わることを、Fβスライダーとワンクリックの最適化ボタンで確認できる。