False Positive Rate

La tasa de falsos positivos (FPR) es la proporción de ejemplos negativos reales que un modelo clasifica incorrectamente como positivos. Mide las falsas alarmas en casos en los que la condición objetivo no está presente. En el aprendizaje automático, ayuda a evaluar los sistemas de clasificación cuando las alertas innecesarias tienen costes operativos.

Cómo calcular la tasa de falsos positivos#

La FPR utiliza dos recuentos de una matriz de confusión: los falsos positivos (FP), negativos etiquetados incorrectamente como positivos, y los verdaderos negativos (TN), negativos etiquetados correctamente como negativos. Las etiquetas de referencia determinan qué ejemplos son realmente negativos.

FPR = FP / (FP + TN)

El denominador incluye todos los negativos reales. La FPR va de 0 a 1; al multiplicarla por 100 se obtiene un porcentaje. Con 20 falsos positivos y 980 verdaderos negativos, la FPR es 20 / 1.000 = 2 %. Si no hay negativos reales, la FPR no está definida.

Instala scikit-learn para calcular la FPR con las imágenes de dígitos manuscritos incluidas. Este clasificador de regresión logística reconoce el dígito 9; la matriz de confusión de scikit-learn proporciona los recuentos de errores.

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%}")

El porcentaje mide con qué frecuencia las imágenes reservadas de otros dígitos se reconocen incorrectamente como un 9.

FPR frente a especificidad, precisión y exhaustividad#

La especificidad es la tasa de verdaderos negativos, TN / (TN + FP), por lo que FPR = 1 − especificidad. Una especificidad del 98 % corresponde a una FPR del 2 %. Los verdaderos positivos (TP) son positivos identificados correctamente; los falsos negativos (FN) son positivos reales etiquetados como negativos.

Las métricas relacionadas utilizan denominadores distintos:

• Precisión: TP / (TP + FP) mide la corrección de las predicciones positivas. Su complemento, FP / (TP + FP), es la proporción de falsos descubrimientos.
• Exhaustividad: TP / (TP + FN), también llamada sensibilidad o tasa de verdaderos positivos, mide cuántos positivos reales se detectan. La tasa de falsos negativos es 1 − exhaustividad.
• Exactitud: (TP + TN) / todos los ejemplos mide la corrección general. La FPR aísla los errores dentro de la clase negativa.

La base estadística de la FPR es el error de tipo I: rechazar una hipótesis nula verdadera. Jerzy Neyman y Egon Pearson formalizaron el control de este error mientras se maximizaba la potencia de detección en su marco de contraste de hipótesis de 1933.

Umbrales y costes de las falsas alarmas#

Un umbral de confianza convierte las puntuaciones en decisiones. Con puntuaciones fijas, elevarlo solo puede mantener o reducir la FPR, aunque la exhaustividad también puede disminuir. Una curva característica operativa del receptor (ROC) representa la exhaustividad frente a la FPR para distintos umbrales; el área bajo la curva resume ese comportamiento de ordenación.

La FPR multiplicada por el volumen de casos negativos da el número previsto de falsas alarmas. La selección del umbral utiliza datos de validación, y los resultados finales se presentan con datos de prueba separados. La minería de negativos difíciles centra el entrenamiento en los negativos que pueden inducir a error. Los modelos YOLO26 de Ultralytics exponen conf en el modo Predict, que filtra las detecciones por debajo del umbral de puntuación elegido y modifica qué falsas alarmas llegan a una aplicación.

En la atención sanitaria, los resultados de cribado con falsos positivos pueden causar ansiedad y dar lugar a procedimientos invasivos adicionales.

La FPR en visión artificial#

En la detección de objetos, los cuadros delimitadores sin correspondencia cuentan como falsos positivos; los cuadros duplicados también pueden contar como tales, aunque coincidan con la clase de un objeto etiquetado y cumplan los requisitos de intersección sobre unión. Las regiones de fondo no tienen un recuento estándar de verdaderos negativos, por lo que la detección suele evaluarse mediante falsos positivos por imagen o una curva de precisión-exhaustividad. Para la FPR a nivel de imagen, define un positivo como al menos una detección de la clase objetivo: cada imagen sin el objetivo que tenga una detección de ese tipo aporta un FP, independientemente del número de cuadros.

En seguridad, el reconocimiento facial puede generar coincidencias de identidad erróneas. La evaluación uno a muchos del NIST define la tasa de identificación de falsos positivos como la proporción de búsquedas realizadas por personas ausentes de la galería que devuelven al menos un candidato por encima del umbral de coincidencia.