AI・PMOの進化
ROC曲線
Receiver Operating Characteristic Curve
読み：あーるおーしーきょくせん
判定閾値を変えたときの真陽性率と偽陽性率の関係を描く曲線です。
01初心者向け
まず意味をつかむ
警報を出しやすくすると見逃しは減りますが、正常案件への誤警報も増えます。その交換関係を複数の閾値で見比べるための図です。
02実務者向け
仕事でどう使うか
陽性スコアを持つ同一データへ閾値を順に適用し、横軸に偽陽性率、縦軸に真陽性率を置きます。運用可能な警報数や重要な領域を確かめます。
03専門家向け
判断を一段深める
陽性が非常に少ない場合、偽陽性率が小さくても誤警報の実数は多くなります。ROCだけで確認負担を判断せず、適合率・再現率曲線や件数も用います。
IN PRACTICE
具体例で考える
架空の二つの閾値で真陽性率が60％から85％へ上がる一方、偽陽性率が2％から10％へ増えることを比較します。
理解を助けるための架空の例です。閾値を変更
真陽性率を集計
偽陽性率を集計
二つの率を座標にして曲線を作ります。
ここは誤解しやすい
曲線が良好でも、現場で採用する閾値の性能が自動的に決まるわけではありません。
PROXIA INSIGHTS
考え方を、実務へつなぐ
AIを「使う」から、PMの判断に「活かす」へ ↗この知識を、組織の力へ。