False Positive Rate

위양성률(FPR)은 모델이 실제 음성인 예제를 양성으로 잘못 분류하는 비율입니다. 대상 조건이 존재하지 않는 사례에서 발생하는 오경보를 측정합니다. 머신러닝에서는 불필요한 알림에 운영 비용이 따르는 경우 분류 시스템을 평가하는 데 활용됩니다.

위양성률 계산 방법#

FPR은 혼동 행렬의 두 가지 수치, 즉 위양성(FP)인 음성을 양성으로 잘못 분류한 수와 진음성(TN)인 음성을 음성으로 올바르게 분류한 수를 사용합니다. 정답 레이블은 어떤 예제가 실제 음성인지 판별합니다.

FPR = FP / (FP + TN)

분모에는 실제 음성인 모든 사례가 포함됩니다. FPR의 범위는 0~1이며, 100을 곱하면 백분율이 됩니다. 위양성 20건과 진음성 980건이면 FPR은 20 / 1,000 = 2%입니다. 실제 음성이 없으면 FPR은 정의되지 않습니다.

번들로 제공되는 손글씨 숫자 이미지를 사용해 FPR을 계산하려면 scikit-learn을 설치합니다. 이 로지스틱 회귀 분류기는 숫자 9를 인식하며, scikit-learn의 혼동 행렬은 오류 건수를 제공합니다.

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%}")

이 백분율은 다른 숫자가 담긴 홀드아웃 이미지가 숫자 9로 잘못 인식되는 빈도를 나타냅니다.

FPR과 특이도, 정밀도, 재현율 비교#

특이도는 진음성률로, TN / (TN + FP)이며 FPR = 1 − 특이도입니다. 특이도가 98%이면 FPR은 2%입니다. 진양성(TP)은 올바르게 식별된 양성이며, 위음성(FN)은 실제 양성을 음성으로 분류한 것입니다.

관련 지표는 서로 다른 분모를 사용합니다.

• 정밀도: TP / (TP + FP)는 양성 예측 중 올바른 예측의 비율을 측정합니다. 그 여집합인 FP / (TP + FP)는 거짓 발견 비율입니다.
• 재현율: TP / (TP + FN)은 민감도 또는 진양성률이라고도 하며, 실제 양성 중 몇 건을 찾아냈는지 측정합니다. 위음성률은 1 − 재현율입니다.
• 정확도: (TP + TN) / 전체 예제는 전체적인 예측 정확도를 측정합니다. FPR은 음성 클래스 내의 오류를 따로 측정합니다.

FPR의 통계적 기반은 참인 귀무가설을 기각하는 제1종 오류입니다. Jerzy Neyman과 Egon Pearson은 1933년 가설 검정 체계에서 탐지력을 극대화하면서 이 오류를 제어하는 방법을 정립했습니다.

임계값과 오경보 비용#

신뢰도 임계값은 점수를 의사결정으로 변환합니다. 점수가 고정된 경우 임계값을 높이면 FPR은 유지되거나 낮아질 수밖에 없으며, 재현율도 낮아질 수 있습니다. 수신자 조작 특성(ROC) 곡선은 임계값별 재현율과 FPR을 그래프로 나타내며, 곡선 아래 면적은 이러한 순위 지정 성능을 요약합니다.

FPR에 음성 사례 수를 곱하면 예상 오경보 건수가 산출됩니다. 임계값은 검증 데이터를 사용해 선택하며, 최종 결과는 별도의 테스트 데이터로 보고합니다. 하드 네거티브 마이닝은 혼동을 일으키는 음성 사례에 학습을 집중시킵니다. Ultralytics YOLO26 모델은 Predict 모드에서 conf를 제공하며, 선택한 점수 임계값보다 낮은 탐지 결과를 필터링해 애플리케이션에 전달되는 오경보를 변경합니다.

의료 분야에서는 위양성 선별 검사 결과가 불안과 추가적인 침습적 시술로 이어질 수 있습니다.

컴퓨터 비전에서의 FPR#

객체 탐지에서는 매칭되지 않은 바운딩 박스가 위양성으로 계산되며, 라벨이 지정된 객체의 클래스 및 교집합 대비 합집합 기준을 충족하더라도 중복 박스가 위양성으로 계산될 수 있습니다. 배경 영역에는 표준적인 진음성 건수가 없으므로, 탐지에서는 일반적으로 이미지당 위양성 수나 정밀도-재현율 곡선을 사용합니다. 이미지 수준 FPR의 경우, 양성을 대상 클래스 탐지가 하나 이상 있는 경우로 정의합니다. 그러면 대상이 없는 이미지에서 해당 탐지가 발생할 때마다 박스 수와 관계없이 위양성 하나로 계산됩니다.

보안 분야에서 얼굴 인식은 잘못된 신원 일치 결과를 낼 수 있습니다. NIST의 일대다 평가는 갤러리에 등록되지 않은 사람의 검색에서 일치 임계값을 초과하는 후보가 하나 이상 반환되는 비율을 위양성 식별률로 정의합니다.