False Positive Rate

معدل الإيجابيات الكاذبة (FPR) هو نسبة الأمثلة السلبية الفعلية التي يصنّفها النموذج خطأً على أنها إيجابية. ويقيس الإنذارات الكاذبة بين الحالات التي تكون فيها الحالة المستهدفة غير موجودة. في التعلم الآلي، يساعد هذا المعدل في تقييم أنظمة التصنيف عندما تترتب على التنبيهات غير الضرورية تكاليف تشغيلية.

كيفية حساب معدل الإيجابيات الكاذبة#

يستخدم FPR عددين من مصفوفة الالتباس: الإيجابيات الكاذبة (FP)، وهي الحالات السلبية المصنّفة خطأً على أنها إيجابية، والسلبيات الحقيقية (TN)، وهي الحالات السلبية المصنّفة تصنيفًا صحيحًا على أنها سلبية. وتحدد التسميات المرجعية الأمثلة السلبية فعليًا.

FPR = FP / (FP + TN)

يشمل المقام جميع الحالات السلبية الفعلية. تتراوح قيمة FPR من 0 إلى 1؛ ويؤدي الضرب في 100 إلى تحويلها إلى نسبة مئوية. إذا كان عدد الإيجابيات الكاذبة 20 والسلبيات الحقيقية 980، فإن FPR يساوي 20 / 1,000 = 2%. وعندما لا توجد حالات سلبية فعلية، تكون قيمة FPR غير معرّفة.

ثبّت scikit-learn لحساب FPR باستخدام صور الأرقام المكتوبة بخط اليد المضمّنة معه. يتعرّف مصنّف الانحدار اللوجستي هذا على الرقم 9؛ وتوفّر مصفوفة الالتباس في scikit-learn أعداد الأخطاء.

from sklearn.datasets import load_digits
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split

images, digits = load_digits(return_X_y=True)
# Treat 9 as positive and every other digit as negative.
labels = (digits == 9).astype(int)
X_train, X_test, y_train, y_test = train_test_split(images, labels, test_size=0.3, random_state=42, stratify=labels)
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)
predictions = model.predict(X_test)

tn, fp, fn, tp = confusion_matrix(y_test, predictions, labels=[0, 1]).ravel()
fpr = fp / (fp + tn)
print(f"False positive rate: {fpr:.2%}")

تقيس النسبة مدى تكرار التعرّف خطأً على صور محجوبة لأرقام أخرى على أنها الرقم 9.

معدل الإيجابيات الكاذبة مقارنةً بالنوعية والدقة والاستدعاء#

النوعية هي معدل السلبيات الحقيقية، TN / (TN + FP)، لذا FPR = 1 − النوعية. وتتوافق النوعية البالغة 98% مع FPR يبلغ 2%. الإيجابيات الحقيقية (TP) هي الحالات الإيجابية التي جرى تحديدها على نحو صحيح؛ أما السلبيات الكاذبة (FN) فهي الحالات الإيجابية الفعلية المصنّفة على أنها سلبية.

تستخدم المقاييس المرتبطة مقامات مختلفة:

• الدقة: يقيس TP / (TP + FP) صحة التنبؤات الإيجابية. ومتمّمه، FP / (TP + FP)، هو نسبة الاكتشافات الكاذبة.
• الاستدعاء: يقيس TP / (TP + FN)، ويُسمى أيضًا الحساسية أو معدل الإيجابيات الحقيقية، عدد الحالات الإيجابية الفعلية التي جرى العثور عليها. ومعدل السلبيات الكاذبة يساوي 1 − الاستدعاء.
• الدقة الإجمالية: يقيس (TP + TN) / جميع الأمثلة صحة التصنيف الإجمالية. ويعزل FPR الأخطاء ضمن الفئة السلبية.

يتمثل الأساس الإحصائي لمعدل FPR في خطأ النوع الأول: رفض فرضية عدم صحيحة. وقد وضع جيرزي نيمان وإيغون بيرسون إطارًا للتحكم في هذا الخطأ مع تعظيم قدرة الكشف ضمن إطار اختبار الفرضيات لعام 1933.

العتبات وتكاليف الإنذارات الكاذبة#

تحوّل عتبة الثقة الدرجات إلى قرارات. وبالنسبة إلى الدرجات الثابتة، لا يمكن لرفع العتبة إلا أن يحافظ على FPR أو يخفضه، بينما قد ينخفض الاستدعاء أيضًا. يرسم منحنى خاصية تشغيل المستقبل (ROC) الاستدعاء مقابل FPR عبر العتبات؛ ويلخّص المساحة تحت المنحنى سلوك الترتيب هذا.

يؤدي ضرب FPR في حجم الحالات السلبية إلى الحصول على العدد المتوقع للإنذارات الكاذبة. ويُختار الحد باستخدام بيانات التحقق، على أن يُجرى التقرير النهائي باستخدام بيانات الاختبار المنفصلة. ويركز التدريب على السلبيات الصعبة على الأمثلة السلبية المربكة أثناء التدريب. تعرض نماذج YOLO26 من Ultralytics conf في وضع التنبؤ، حيث تُصفّى الاكتشافات التي تقل عن عتبة درجة محددة، ما يغيّر الإنذارات الكاذبة التي تصل إلى التطبيق.

في الرعاية الصحية، قد تؤدي نتائج فحوصات الإيجابيات الكاذبة إلى القلق وإجراءات إضافية باضعة.

معدل الإيجابيات الكاذبة في الرؤية الحاسوبية#

في اكتشاف الكائنات، تُحتسب الصناديق المحيطة غير المطابقة كإيجابيات كاذبة؛ وقد تُحتسب الصناديق المكررة أيضًا، حتى عند مطابقة فئة كائن موسوم واستيفاء متطلبات التقاطع على الاتحاد. لا يوجد عدد معياري للسلبيات الحقيقية في مناطق الخلفية، لذا يُستخدم عادةً عدد الإيجابيات الكاذبة لكل صورة أو منحنى الدقة والاستدعاء في اكتشاف الكائنات. ولحساب FPR على مستوى الصورة، تُعرّف الحالة الإيجابية بأنها اكتشاف هدف واحد على الأقل من الفئة المستهدفة: تسهم كل صورة لا تحتوي على الهدف ويظهر فيها اكتشاف من هذه الفئة بإيجابية كاذبة واحدة، بصرف النظر عن عدد الصناديق.

في الأمن، قد ينتج عن التعرّف على الوجوه مطابقة خاطئة للهوية. ويعرّف تقييم واحد إلى متعدد لدى NIST معدل التعرّف الخاطئ الإيجابي بأنه نسبة عمليات البحث التي يجريها أشخاص غير موجودين في المعرض، والتي تُرجع مرشحًا واحدًا على الأقل تتجاوز درجته عتبة المطابقة.