ファスポジティブ（偽陽性）とは、機械学習の二値分類タスクにおいて、実際には「陰性（ネガティブ）」である対象を、モデルが誤って「陽性（ポジティブ）」と判定してしまうエラーのことです。スパムメールではない通常メールをスパムと判定するようなケースが該当し、システムの信頼性やユーザー体験に影響を与える重要な評価指標の一つです。
ファスポジティブとは
ファスポジティブとは、AIや機械学習の判定において、実際には対象外（陰性）であるデータに対して、システムが誤って対象（陽性）であると判定してしまう「誤検出」の状態を指します。
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比較するために「混同行列」が用いられます。この中で、実際は「負（Negative）」であるデータを誤って「正（Positive）」と予測した割合や件数がファスポジティブです。ファスポジティブが発生すると、無駄な確認コストの発生や、ユーザーへの不必要な警告による利便性の低下が生じます。モデルの性能向上においては、このファスポジティブを抑える「適合率」と、実際に見落としを防ぐ「再現率」のバランスを考慮しながらチューニングを行うことが重要です。
具体例・使われ方
具体的な例として、メールフィルタリングシステムが挙げられます。重要な取引先からの通常メールを、AIが誤ってスパムメール（陽性）と判定してしまい、迷惑メールフォルダに振り分けてしまう現象は代表的なファスポジティブです。また、医療診断AIにおいて、健康な人の画像を「病気の疑いあり（陽性）」と誤判定するケースや、セキュリティ監視において、正常なアクセスを不正アクセスと検知して遮断してしまうケースもこれに該当します。
似た用語との違い
ファスポジティブと混同されやすい概念に「偽陰性」があります。偽陰性は、実際には「陽性」である対象を、モデルが「陰性」と誤って見落としてしまうエラーです。例えば、がんの患者を「健康（陰性）」と判定してしまう場合が該当します。また、正しく陽性と判定できた状態は「真陽性」、正しく陰性と判定できた状態は「真陰性」と呼ばれ、これらはエラーではない正常な判定結果を意味します。
注意点
ファスポジティブをゼロにしようとして判定基準（しきい値）を厳しくしすぎると、今度は「偽陰性」が増加し、本当に検出したい対象を見落とすリスクが高まります。このように、ファスポジティブの削減と偽陰性の削減はトレードオフの関係にあります。構築するシステムの用途や、誤検出と見落としのどちらがより致命的か（例えば医療診断では見落としが致命的、スパム判定では誤検出が致命的など）に応じて、許容できるバランスを慎重に設計する必要があります。また、「適合率」などの指標を用いて適切にモデルを評価することが不可欠です。