False Positive Rate

假阳性率（FPR）是模型错误地将实际负例分类为正例的比例。它衡量目标条件不存在时出现误报的情况。在机器学习中，当不必要的警报会带来运营成本时，它有助于评估分类系统。

如何计算假阳性率#

FPR 使用混淆矩阵中的两个计数：假阳性（FP），即错误标记为正例的负例；以及真阴性（TN），即正确标记为负例的负例。真实标签用于确定哪些样本实际为负例。

FPR = FP / (FP + TN)

分母包含所有实际负例。FPR 的取值范围为 0 到 1；乘以 100 即可得到百分比。若有 20 个假阳性和 980 个真阴性，则 FPR 为 20 / 1,000 = 2%。若没有实际负例，则 FPR 未定义。

安装 scikit-learn，即可使用其捆绑的手写数字图像计算 FPR。这个逻辑回归分类器可识别数字 9；scikit-learn 的混淆矩阵提供错误计数。

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%}")

该百分比表示留出图像中其他数字被错误识别为 9 的频率。

FPR 与特异度、精确率和召回率的区别#

特异度是真阴性率，即 TN / (TN + FP)，因此 FPR = 1 − 特异度。特异度为 98% 时，FPR 为 2%。真阳性（TP）是正确识别出的正例；假阴性（FN）是被标记为负例的实际正例。

这些相关指标使用不同的分母：

• 精确率： TP / (TP + FP) 衡量正例预测中的正确比例。它的补数 FP / (TP + FP) 即假发现比例。
• 召回率： TP / (TP + FN)，也称为灵敏度或真阳性率，衡量实际正例中被找到的数量。假阴性率为 1 − 召回率。
• 准确率： (TP + TN) / 所有样本，衡量总体正确率。FPR 则单独衡量负类中的错误。

FPR 的统计学基础是第一类错误：拒绝真实的零假设。Jerzy Neyman 和 Egon Pearson 在其1933 年假设检验框架中正式提出了在最大化检测能力的同时控制此类错误的方法。

阈值与误报成本#

置信度阈值将分数转化为决策。对于固定分数，提高阈值只会使 FPR 保持不变或降低，同时也可能降低召回率。接收者操作特征（ROC）曲线绘制不同阈值下召回率与 FPR 的关系；曲线下面积则概括这种排序表现。

FPR 乘以负例数量，可得预期误报数。阈值选择使用验证数据，最终报告则基于单独的测试数据。难例负样本挖掘将训练重点放在容易混淆的负例上。Ultralytics YOLO26模型在预测模式中提供 conf，可过滤低于所选分数阈值的检测结果，从而改变应用接收到的误报。

在医疗保健领域，假阳性筛查结果可能引发焦虑，并导致额外的侵入性检查。

计算机视觉中的 FPR#

在目标检测中，未匹配的边界框计为假阳性；即使重复框与已标注目标的类别和交并比要求相匹配，也可能计为假阳性。背景区域没有标准的真阴性计数，因此检测任务通常采用每张图像的假阳性数或精确率-召回率曲线。对于图像级 FPR，将至少检测到一个目标类别定义为正例：每张不含目标但出现此类检测结果的图像计为一个 FP，无论框的数量是多少。

在安全领域，人脸识别可能会错误匹配身份。NIST 的一对多评估将假阳性识别率定义为：不在图库中的人员发起的搜索中，返回至少一个高于匹配阈值的候选对象的比例。