False Positive Rate

Le taux de faux positifs (FPR) est la proportion d’exemples réellement négatifs qu’un modèle classe à tort comme positifs. Il mesure les fausses alertes parmi les cas où la condition cible est absente. En apprentissage automatique, il aide à évaluer les systèmes de classification lorsque les alertes inutiles entraînent des coûts opérationnels.

Comment calculer le taux de faux positifs#

Le FPR repose sur deux décomptes issus d’une matrice de confusion : les faux positifs (FP), c’est-à-dire les négatifs classés à tort comme positifs, et les vrais négatifs (TN), c’est-à-dire les négatifs correctement classés comme négatifs. Les étiquettes de vérité terrain déterminent quels exemples sont réellement négatifs.

FPR = FP / (FP + TN)

Le dénominateur inclut tous les négatifs réels. Le FPR varie de 0 à 1 ; multiplié par 100, il donne un pourcentage. Avec 20 faux positifs et 980 vrais négatifs, le FPR est de 20 / 1 000 = 2 %. En l’absence de négatifs réels, le FPR est indéfini.

Installe scikit-learn pour calculer le FPR à l’aide des images de chiffres manuscrits fournies. Ce classifieur de régression logistique reconnaît le chiffre 9 ; la matrice de confusion de scikit-learn fournit le décompte des erreurs.

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%}")

Le pourcentage indique à quelle fréquence des images mises à l’écart représentant d’autres chiffres sont reconnues à tort comme des 9.

FPR, spécificité, précision et rappel#

La spécificité est le taux de vrais négatifs, TN / (TN + FP), donc FPR = 1 − spécificité. Une spécificité de 98 % correspond à un FPR de 2 %. Les vrais positifs (TP) sont les positifs correctement détectés ; les faux négatifs (FN) sont les positifs réels classés comme négatifs.

Les métriques associées utilisent des dénominateurs différents :

• Précision : TP / (TP + FP) mesure la proportion de prédictions positives correctes. Son complément, FP / (TP + FP), est la proportion de fausses découvertes.
• Rappel : TP / (TP + FN), également appelé sensibilité ou taux de vrais positifs, mesure le nombre de positifs réels détectés. Le taux de faux négatifs est égal à 1 − rappel.
• Exactitude : (TP + TN) / nombre total d’exemples mesure l’exactitude globale. Le FPR isole les erreurs au sein de la classe négative.

Le fondement statistique du FPR est l’erreur de type I : rejeter une hypothèse nulle vraie. Jerzy Neyman et Egon Pearson ont formalisé le contrôle de cette erreur tout en maximisant la puissance de détection dans leur cadre de test d’hypothèses de 1933.

Seuils et coût des fausses alertes#

Un seuil de confiance transforme les scores en décisions. Pour des scores fixes, son relèvement ne peut que maintenir ou réduire le FPR, tandis que le rappel peut également diminuer. Une courbe caractéristique de fonctionnement du récepteur (ROC) représente le rappel en fonction du FPR pour différents seuils ; l’aire sous la courbe résume ce comportement de classement.

Le FPR multiplié par le volume de cas négatifs donne le nombre attendu de fausses alertes. Le choix du seuil s’appuie sur les données de validation, tandis que le rapport final utilise des données de test distinctes. L’exploitation des exemples négatifs difficiles concentre l’entraînement sur les négatifs difficiles à distinguer. Les modèles Ultralytics YOLO26 exposent conf en mode Predict, ce qui filtre les détections sous un seuil de score choisi et modifie les fausses alertes transmises à une application.

Dans le domaine des soins de santé, les résultats faussement positifs du dépistage peuvent provoquer de l’anxiété et entraîner des examens invasifs supplémentaires.

Le FPR en vision par ordinateur#

En détection d’objets, les boîtes englobantes non appariées comptent comme des faux positifs ; les boîtes en double peuvent aussi être comptabilisées, même si elles correspondent à la classe d’un objet annoté et respectent les critères d’intersection sur union. Les régions d’arrière-plan n’ont pas de décompte standard de vrais négatifs ; la détection utilise donc généralement le nombre de faux positifs par image ou une courbe précision-rappel. Pour le FPR au niveau de l’image, considère qu’une image est positive si elle contient au moins une détection de la classe cible : chaque image sans cible qui contient une telle détection contribue un FP, quel que soit le nombre de boîtes.

En sécurité, la reconnaissance faciale peut produire des correspondances d’identité erronées. L’évaluation un-vers-plusieurs du NIST définit le taux de fausses identifications comme la proportion de recherches effectuées par des personnes absentes de la galerie qui renvoient au moins un candidat dépassant le seuil de correspondance.