False Positive Rate

Tỷ lệ dương tính giả (FPR) là tỷ lệ các ví dụ âm tính thực tế mà model phân loại nhầm thành dương tính. Chỉ số này đo lường số cảnh báo giả trong những trường hợp không có điều kiện mục tiêu. Trong machine learning, FPR giúp đánh giá các hệ thống phân loại khi những cảnh báo không cần thiết gây ra chi phí vận hành.

Cách tính tỷ lệ dương tính giả#

FPR sử dụng hai số liệu từ ma trận nhầm lẫn: dương tính giả (FP), tức các trường hợp âm tính bị gán nhãn dương tính sai, và âm tính thật (TN), tức các trường hợp âm tính được gán nhãn âm tính chính xác. Nhãn thực tế chuẩn xác định ví dụ nào thực sự là âm tính.

FPR = FP / (FP + TN)

Mẫu số bao gồm mọi trường hợp âm tính thực tế. FPR nằm trong khoảng từ 0 đến 1; nhân với 100 sẽ cho kết quả theo phần trăm. Với 20 trường hợp dương tính giả và 980 trường hợp âm tính thật, FPR là 20 / 1.000 = 2%. Khi không có trường hợp âm tính thực tế nào, FPR không xác định.

Cài đặt scikit-learn để tính FPR bằng các ảnh chữ số viết tay đi kèm. Bộ phân loại hồi quy logistic này nhận dạng chữ số 9; ma trận nhầm lẫn của scikit-learn cung cấp số liệu lỗi.

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%}")

Tỷ lệ phần trăm này đo tần suất các ảnh chữ số khác được giữ lại để đánh giá bị nhận dạng nhầm thành số 9.

FPR so với độ đặc hiệu, độ chính xác dự đoán và độ bao phủ#

Độ đặc hiệu là tỷ lệ âm tính thật, TN / (TN + FP), do đó FPR = 1 − độ đặc hiệu. Độ đặc hiệu 98% tương ứng với FPR 2%. Dương tính thật (TP) là các trường hợp dương tính được nhận diện chính xác; âm tính giả (FN) là các trường hợp dương tính thực tế bị gán nhãn âm tính.

Các chỉ số liên quan sử dụng các mẫu số khác nhau:

• Độ chính xác dự đoán: TP / (TP + FP) đo mức độ chính xác trong số các dự đoán dương tính. Giá trị bù của chỉ số này, FP / (TP + FP), là tỷ lệ phát hiện dương tính giả.
• Độ bao phủ: TP / (TP + FN), còn gọi là độ nhạy hoặc tỷ lệ dương tính thật, đo số trường hợp dương tính thực tế được tìm thấy. Tỷ lệ âm tính giả là 1 − độ bao phủ.
• Độ chính xác: (TP + TN) / tổng số ví dụ đo độ chính xác tổng thể. FPR chỉ tập trung vào các lỗi trong lớp âm tính.

Cơ sở thống kê của FPR là lỗi loại I: bác bỏ một giả thuyết không đúng. Jerzy Neyman và Egon Pearson đã chính thức hóa việc kiểm soát lỗi này đồng thời tối đa hóa khả năng phát hiện trong khuôn khổ kiểm định giả thuyết năm 1933 của họ.

Ngưỡng và chi phí báo động giả#

Ngưỡng tin cậy chuyển điểm số thành quyết định. Với các điểm số cố định, tăng ngưỡng chỉ có thể giữ nguyên hoặc giảm FPR, đồng thời độ bao phủ cũng có thể giảm. Đường cong đặc tính hoạt động của bộ thu (ROC) biểu diễn độ bao phủ theo FPR trên các ngưỡng; diện tích dưới đường cong tóm tắt khả năng xếp hạng đó.

FPR nhân với số lượng trường hợp âm tính cho biết số báo động giả dự kiến. Việc chọn ngưỡng sử dụng dữ liệu xác thực, còn báo cáo cuối cùng dựa trên dữ liệu kiểm thử riêng biệt. Khai thác mẫu âm tính khó tập trung quá trình huấn luyện vào các mẫu âm tính dễ gây nhầm lẫn. Các model YOLO26 của Ultralytics cung cấp conf trong chế độ Predict, lọc các phát hiện có điểm số thấp hơn ngưỡng đã chọn và thay đổi những báo động giả được chuyển đến ứng dụng.

Trong lĩnh vực y tế, kết quả sàng lọc dương tính giả có thể gây lo lắng và dẫn đến các thủ thuật xâm lấn bổ sung.

FPR trong thị giác máy tính#

Trong phát hiện đối tượng, các hộp giới hạn không khớp được tính là dương tính giả; hộp trùng lặp cũng có thể được tính như vậy dù khớp với lớp của đối tượng đã gán nhãn và đáp ứng yêu cầu về giao trên hợp. Các vùng nền không có số lượng âm tính thật tiêu chuẩn, vì vậy bài toán phát hiện thường dùng số dương tính giả trên mỗi ảnh hoặc đường cong độ chính xác dự đoán–độ bao phủ. Đối với FPR ở cấp ảnh, hãy định nghĩa trường hợp dương tính là có ít nhất một phát hiện thuộc lớp mục tiêu: mỗi ảnh không có mục tiêu nhưng có phát hiện như vậy đóng góp một FP, bất kể số lượng hộp.

Trong lĩnh vực bảo mật, nhận dạng khuôn mặt có thể đưa ra kết quả khớp danh tính sai. Đánh giá một-nhiều của NIST định nghĩa tỷ lệ nhận diện dương tính giả là tỷ lệ các lượt tìm kiếm của những người không có trong thư viện ảnh nhưng trả về ít nhất một ứng viên vượt ngưỡng khớp.