ファルスポジティブとは、AIや機械学習の判定において実際には「陰性（対象外・異常なし）」であるデータを誤って「陽性（対象・異常あり）」と予測してしまう誤検出のことです。日本語では「偽陽性」とも呼ばれ、モデルの性能を正しく評価する指標である適合率などに深く関係します。
ファルスポジティブとは
ファルスポジティブ（偽陽性）とは、二値分類などのタスクにおいて、実際には陰性（ネガティブ）である対象を誤って陽性（ポジティブ）と判定してしまう誤りのことです。
詳しく解説
機械学習の分類モデルを評価する際、予測結果と実際の正解を整理した混同行列が用いられます。混同行列の枠組みにおいて、実際は問題がない（陰性）にもかかわらず、モデルが「問題あり（陽性）」と警報を出してしまう現象がファルスポジティブです。ファルスポジティブが多いモデルは「無駄な警告が多い」状態となり、ユーザーの確認負担や運用コストを増大させます。この誤りを抑える度合いを表す指標として適合率があり、ファルスポジティブが減るほど適合率は向上します。
具体例・使われ方
例えば、迷惑メールフィルタが通常の重要メールを誤って迷惑メールフォルダに振り分けてしまうケースや、クレジットカードの不正検知システムが正当な利用者を誤って不正と判定し決済を停止してしまうケースがファルスポジティブの代表例です。
似た用語との違い
混同されやすい概念として「ファルスネガティブ（偽陰性）」があります。ファルスポジティブが「陰性を誤って陽性と判定する誤検出」であるのに対し、ファルスネガティブは「陽性であるものを見逃して陰性と判定する見逃し」を指します。また、見逃しを防ぐ度合いを測る再現率とファルスポジティブを抑える適合率はトレードオフの関係になりやすいという違いがあります。
注意点
ファルスポジティブを極限まで減らそうとして判定基準を厳しくしすぎると、本来検出すべき対象を見逃すファルスネガティブが増加するリスクがあります。医療診断のように見逃しが致命的な分野と、スパム判定のように誤検知の不便さを避けたい分野とでは許容されるバランスが異なるため、用途に応じた閾値調整が必要です。