実践 機械学習システム

182

9

章 クラス分類

III

：音楽ジャンル分類

き上げることができることを見ます。

しかしその前に、クラス分類のパフォーマンスを計測するための別の方法について学びます。

9.4.4

　

ROC

曲線によるクラス分類器の評価方法

私たちは既に、正解率を計測するだけでは分類器を真に評価するのに十分ではないことを見てきま

した。その代わりに、適合率-再現率曲線（precision-recall curve）に頼ることで、分類器のパフォー

マンスについて、より深い考察を得ることができます。

適合率- 再現率曲線（以下、「P/R曲線」と表記）の兄弟分には、ROC曲線（receiver operator

characteristic：ROC）と呼ばれる同じような手法が存在します。しかし、ROC曲線は分類器のパ

フォーマンスについて別の視点を提供してくれます。二つの曲線の主な用途には違いがあります。P/R

曲線が適しているタスクは、陽性（ポジティブ）クラスのほうが陰性（ネガティブ）クラスよりも興味

がある場合、または陽性のサンプル数が陰性のサンプル数

よりかなり少ない場合です。分野としては

「情報検索」や「不正行為検出」などが当てはまります。一方、ROC曲線は分類器が一般的にどう振る

舞うかについて、より良い全体像を提供してくれます。

二つの曲線の違いを理解するために、ここでは先ほど訓練した分類器のパフォーマンスについて、

カントリー音楽を正しく分類できるか、という点を考えてみたいと思います。

図9-5

図9-5の左図はP/R