False Positive Rate

Yanlış pozitif oranı (FPR), modelin yanlışlıkla pozitif olarak sınıflandırdığı gerçek negatif örneklerin oranıdır. Hedef koşulun bulunmadığı durumlarda yanlış alarmların ne sıklıkta oluştuğunu ölçer. Gereksiz uyarıların operasyonel maliyet doğurduğu durumlarda makine öğrenimi sistemlerini değerlendirmeye yardımcı olur; sınıflandırma sistemleri buna örnektir.

Yanlış Pozitif Oranı Nasıl Hesaplanır#

FPR, bir karışıklık matrisindeki iki sayıyı kullanır: yanlış pozitifler (FP), yanlışlıkla pozitif etiketlenen negatifler; ve doğru negatifler (TN), doğru şekilde negatif etiketlenen negatifler. Gerçek referans etiketleri, hangi örneklerin gerçekten negatif olduğunu belirler.

FPR = FP / (FP + TN)

Payda, gerçek negatiflerin tümünü içerir. FPR, 0 ile 1 arasında değişir; 100 ile çarparsan yüzde değerini elde edersin. 20 yanlış pozitif ve 980 doğru negatif varsa FPR, 20 / 1.000 = %2 olur. Gerçek negatif yoksa FPR tanımsızdır.

Birlikte sunulan el yazısı rakam görüntülerini kullanarak FPR hesaplamak için scikit-learn paketini yükle. Bu lojistik regresyon sınıflandırıcısı 9 rakamını tanır; scikit-learn'ün karışıklık matrisi hata sayılarını sağlar.

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%}")

Bu yüzde, diğer rakamların ayrılmış test görüntülerinin ne sıklıkta yanlışlıkla 9 olarak tanındığını ölçer.

FPR ile Özgüllük, Kesinlik ve Duyarlılık Karşılaştırması#

Özgüllük, doğru negatif oranıdır: TN / (TN + FP). Dolayısıyla FPR = 1 − özgüllük olur. %98 özgüllük, %2 FPR'ye karşılık gelir. Doğru pozitifler (TP), doğru belirlenen pozitiflerdir; yanlış negatifler (FN) ise negatif etiketlenen gerçek pozitiflerdir.

İlgili ölçütlerde farklı paydalar kullanılır:

• Kesinlik: TP / (TP + FP), pozitif tahminler arasındaki doğruluğu ölçer. Bunun tümleyeni olan FP / (TP + FP), yanlış keşif oranıdır.
• Duyarlılık: TP / (TP + FN); duyarlılık veya doğru pozitif oranı olarak da adlandırılır ve gerçek pozitiflerin kaçının bulunduğunu ölçer. Yanlış negatif oranı, 1 − duyarlılıktır.
• Doğruluk: (TP + TN) / tüm örnekler, genel doğruluğu ölçer. FPR ise yalnızca negatif sınıftaki hataları ele alır.

FPR'nin istatistiksel temeli, doğru bir sıfır hipotezini reddetmek olan Tip I hatadır. Jerzy Neyman ve Egon Pearson, 1933 tarihli hipotez sınama çerçevelerinde tespit gücünü en üst düzeye çıkarırken bu hatayı kontrol etmeyi biçimselleştirdi.

Eşikler ve Yanlış Alarm Maliyetleri#

Bir güven eşiği, puanları kararlara dönüştürür. Puanlar sabitken eşiği yükseltmek FPR'yi yalnızca aynı tutabilir veya düşürebilir; bu sırada duyarlılık da düşebilir. Bir alıcı işletim karakteristiği (ROC) eğrisi, eşikler boyunca duyarlılığı FPR'ye karşı gösterir; eğri altındaki alan, bu sıralama davranışını özetler.

FPR'yi negatif durumların sayısıyla çarparsan beklenen yanlış alarm sayısını elde edersin. Eşik seçimi doğrulama verileri kullanılarak yapılır; nihai raporlama ise ayrı test verileri üzerinden gerçekleştirilir. Zor negatif madenciliği, eğitimi ayırt edilmesi güç negatiflere odaklar. Ultralytics YOLO26 modelleri, Tahmin modunda conf özelliğini sunar; bu özellik, seçilen puan eşiğinin altındaki tespitleri filtreleyerek uygulamaya ulaşan yanlış alarmları değiştirir.

Sağlık hizmetlerinde yanlış pozitif tarama sonuçları kaygıya ve ek invaziv işlemlere yol açabilir.

Bilgisayarlı Görüde FPR#

Nesne tespitinde eşleşmeyen sınırlayıcı kutular yanlış pozitif sayılır; yinelenen kutular, etiketlenmiş bir nesnenin sınıfıyla ve kesişim/birleşim gereklilikleriyle eşleşseler bile yanlış pozitif sayılabilir. Arka plan bölgeleri için standart bir doğru negatif sayısı bulunmadığından, tespitte genellikle görüntü başına yanlış pozitif sayısı veya bir kesinlik-duyarlılık eğrisi kullanılır. Görüntü düzeyinde FPR'yi hesaplamak için en az bir hedef sınıf tespitini pozitif olarak tanımla: hedefin bulunmadığı ve böyle bir tespitin yapıldığı her görüntü, kutu sayısından bağımsız olarak bir FP ekler.

Güvenlikte yüz tanıma hatalı kimlik eşleşmeleri üretebilir. NIST'in bire-çok değerlendirmesi, yanlış pozitif kimlik belirleme oranını, galeride bulunmayan kişilerin aramalarının eşleşme eşiğini aşan en az bir aday döndürme oranı olarak tanımlar.