False Positive Rate

A taxa de falsos positivos (FPR) é a proporção de exemplos negativos reais que um modelo classifica incorretamente como positivos. Mede os falsos alarmes entre os casos em que a condição-alvo está ausente. Em aprendizagem automática, ajuda a avaliar sistemas de classificação quando os alertas desnecessários acarretam custos operacionais.

Como calcular a taxa de falsos positivos#

A FPR utiliza duas contagens de uma matriz de confusão: falsos positivos (FP), negativos incorretamente classificados como positivos, e verdadeiros negativos (TN), negativos corretamente classificados como negativos. Os rótulos de referência estabelecem quais exemplos são realmente negativos.

FPR = FP / (FP + TN)

O denominador inclui todos os negativos reais. A FPR varia de 0 a 1; ao multiplicá-la por 100, obtém-se uma percentagem. Com 20 falsos positivos e 980 verdadeiros negativos, a FPR é 20 / 1.000 = 2%. Se não houver negativos reais, a FPR é indefinida.

Instala scikit-learn para calcular a FPR usando as imagens de dígitos manuscritos incluídas no pacote. Este classificador de regressão logística reconhece o dígito 9; a matriz de confusão do scikit-learn fornece as contagens de erros.

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%}")

A percentagem mede a frequência com que imagens de validação de outros dígitos são incorretamente reconhecidas como 9.

FPR vs. especificidade, precisão e revocação#

A especificidade é a taxa de verdadeiros negativos, TN / (TN + FP), pelo que FPR = 1 − especificidade. Uma especificidade de 98% corresponde a uma FPR de 2%. Os verdadeiros positivos (TP) são positivos identificados corretamente; os falsos negativos (FN) são positivos reais classificados como negativos.

As métricas relacionadas usam denominadores diferentes:

• Precisão: TP / (TP + FP) mede a correção entre as previsões positivas. O seu complemento, FP / (TP + FP), é a proporção de falsas descobertas.
• Revocação: TP / (TP + FN), também chamada sensibilidade ou taxa de verdadeiros positivos, mede quantos positivos reais são encontrados. A taxa de falsos negativos é 1 − revocação.
• Exatidão: (TP + TN) / todos os exemplos mede a correção geral. A FPR isola os erros na classe negativa.

A base estatística da FPR é o erro do tipo I: rejeitar uma hipótese nula verdadeira. Jerzy Neyman e Egon Pearson formalizaram o controlo deste erro enquanto maximizavam o poder de deteção no seu quadro de teste de hipóteses de 1933.

Limiares e custos dos falsos alarmes#

Um limiar de confiança converte pontuações em decisões. Para pontuações fixas, aumentá-lo só pode manter ou reduzir a FPR, enquanto a revocação também pode diminuir. Uma curva característica de operação do recetor (ROC) representa a revocação em função da FPR para diferentes limiares; a área sob a curva resume esse comportamento de ordenação.

A FPR multiplicada pelo volume de casos negativos dá o número esperado de falsos alarmes. A seleção do limiar utiliza dados de validação, e os resultados finais são apresentados com dados de teste separados. A mineração de negativos difíceis concentra o treino nos negativos que causam confusão. Os modelos YOLO26 da Ultralytics disponibilizam conf no modo de previsão, filtrando deteções abaixo de um limiar de pontuação escolhido e alterando quais falsos alarmes chegam a uma aplicação.

Na área da saúde, os resultados falsos positivos de rastreio podem causar ansiedade e levar a procedimentos invasivos adicionais.

FPR em visão computacional#

Na deteção de objetos, as caixas delimitadoras sem correspondência contam como falsos positivos; as caixas duplicadas também podem contar, mesmo que correspondam à classe de um objeto anotado e cumpram os requisitos de interseção sobre união. As regiões de fundo não têm uma contagem padrão de verdadeiros negativos, pelo que a deteção utiliza habitualmente falsos positivos por imagem ou uma curva de precisão-revocação. Para a FPR ao nível da imagem, define-se um positivo como pelo menos uma deteção da classe-alvo: cada imagem sem o alvo que contenha essa deteção contribui com um FP, independentemente do número de caixas.

Na segurança, o reconhecimento facial pode produzir correspondências de identidade erradas. A avaliação um-para-muitos do NIST define a taxa de identificação falsa positiva como a proporção de pesquisas feitas por pessoas ausentes da galeria que devolvem pelo menos um candidato acima do limiar de correspondência.