False Positive Rate

Die Falsch-Positiv-Rate (FPR) ist der Anteil der tatsächlich negativen Beispiele, die ein Modell fälschlich als positiv klassifiziert. Sie misst die Zahl der Fehlalarme unter den Fällen, in denen die Zielbedingung nicht vorliegt. Beim Bewerten von Systemen für maschinelles Lernen hilft sie, wenn unnötige Warnmeldungen betriebliche Kosten verursachen, etwa bei der Klassifikation.

So berechnest du die Falsch-Positiv-Rate#

Für die FPR werden zwei Werte aus einer Konfusionsmatrix verwendet: falsch positive Fälle (FP), also negative Fälle, die fälschlich als positiv eingestuft wurden, und richtig negative Fälle (TN), also negative Fälle, die korrekt als negativ eingestuft wurden. Die Ground-Truth-Labels geben an, welche Beispiele tatsächlich negativ sind.

FPR = FP / (FP + TN)

Der Nenner umfasst alle tatsächlich negativen Fälle. Die FPR liegt zwischen 0 und 1; multipliziert mit 100 ergibt sie einen Prozentwert. Bei 20 falsch positiven und 980 richtig negativen Fällen beträgt die FPR 20 / 1.000 = 2 %. Gibt es keine tatsächlich negativen Fälle, ist die FPR nicht definiert.

Installiere scikit-learn, um die FPR anhand der enthaltenen Bilder handgeschriebener Ziffern zu berechnen. Dieser Klassifikator mit logistischer Regression erkennt die Ziffer 9; die Konfusionsmatrix von scikit-learn liefert die Fehlerzahlen.

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%}")

Der Prozentwert gibt an, wie oft zurückgehaltene Bilder anderer Ziffern fälschlich als 9 erkannt werden.

FPR im Vergleich zu Spezifität, Präzision und Recall#

Die Spezifität ist die Rate der richtig negativen Fälle: TN / (TN + FP). Daher gilt FPR = 1 − Spezifität. Eine Spezifität von 98 % entspricht einer FPR von 2 %. Richtig positive Fälle (TP) sind korrekt erkannte positive Fälle; falsch negative Fälle (FN) sind tatsächlich positive Fälle, die als negativ eingestuft wurden.

Die verwandten Kennzahlen verwenden unterschiedliche Nenner:

• Präzision: TP / (TP + FP) misst, wie korrekt die positiven Vorhersagen sind. Das Komplement, FP / (TP + FP), ist der Anteil der falsch positiven Entdeckungen.
• Recall: TP / (TP + FN), auch Sensitivität oder Rate der richtig positiven Fälle genannt, misst, wie viele der tatsächlich positiven Fälle gefunden werden. Die Rate der falsch negativen Fälle beträgt 1 − Recall.
• Genauigkeit: (TP + TN) / alle Beispiele misst die Gesamtgenauigkeit. Die FPR erfasst ausschließlich Fehler innerhalb der negativen Klasse.

Die statistische Grundlage der FPR ist der Fehler 1. Art: das Verwerfen einer zutreffenden Nullhypothese. Jerzy Neyman und Egon Pearson legten in ihrem Rahmenwerk zum Hypothesentesten von 1933 dar, wie sich dieser Fehler kontrollieren und zugleich die Teststärke maximieren lässt.

Schwellenwerte und Kosten von Fehlalarmen#

Ein Konfidenzschwellenwert wandelt Bewertungen in Entscheidungen um. Bei festen Bewertungen kann eine Erhöhung des Schwellenwerts die FPR nur gleich halten oder senken, während auch der Recall sinken kann. Eine ROC-Kurve (Receiver Operating Characteristic) stellt den Recall für verschiedene Schwellenwerte der FPR gegenüber; die Fläche unter der Kurve fasst die Rangordnungsleistung zusammen.

Die FPR multipliziert mit der Zahl negativer Fälle ergibt die erwartete Anzahl von Fehlalarmen. Der Schwellenwert wird anhand von Validierungsdaten ausgewählt; die abschließenden Ergebnisse werden mit separaten Testdaten ermittelt. Beim Hard-Negative-Mining konzentriert sich das Training auf schwer unterscheidbare negative Fälle. Ultralytics-Modelle für YOLO26 geben conf im Vorhersagemodus aus. Dabei werden Erkennungen unterhalb eines festgelegten Bewertungsschwellenwerts herausgefiltert, wodurch sich ändert, welche Fehlalarme eine Anwendung erreichen.

Im Gesundheitswesen können falsch positive Screening-Ergebnisse Angst und zusätzliche invasive Eingriffe auslösen.

FPR in der Computer Vision#

Bei der Objekterkennung zählen nicht zugeordnete Begrenzungsrahmen als falsch positive Fälle. Auch doppelte Begrenzungsrahmen können als falsch positiv zählen, selbst wenn sie der Klasse eines annotierten Objekts und den Anforderungen an den Intersection over Union-Wert entsprechen. Für Hintergrundbereiche gibt es keine standardisierte Anzahl richtig negativer Fälle; daher werden bei der Objekterkennung häufig falsch positive Fälle pro Bild oder eine Präzisions-Recall-Kurve verwendet. Definiere für die FPR auf Bildebene einen positiven Fall als mindestens eine Erkennung der Zielklasse: Jedes Bild ohne Zielobjekt, in dem eine solche Erkennung vorliegt, zählt unabhängig von der Anzahl der Begrenzungsrahmen als ein FP.

Im Bereich der Sicherheit kann die Gesichtserkennung zu fehlerhaften Identitätsübereinstimmungen führen. Bei der One-to-many-Evaluierung des NIST ist die Rate falsch positiver Identifizierungen der Anteil der Suchanfragen von Personen, die nicht in der Galerie vertreten sind und mindestens einen Kandidaten oberhalb des Übereinstimmungsschwellenwerts zurückgeben.