偽陽性率（FPR）とは、実際には陰性であるデータのうち、誤って陽性と判定されてしまった割合を示す評価指標です。機械学習モデルの性能評価や二値分類において、誤検知の多さを測定するために用いられ、安全性の確保や運用コストの削減において重要な意味を持ちます。
偽陽性率とは
偽陽性率とは、一言でいうと「実際は陰性（該当しない）であるのに、誤って陽性（該当する）と判定されてしまった割合」のことです。
詳しく解説
偽陽性率は、二値分類のモデルにおける予測精度を評価するための重要指標の一つです。実際には陰性である全データ数のうち、モデルが誤って陽性と予測したデータの割合を算出します。混同行列における偽陽性の数を、偽陽性と真陰性の合計で割ることで計算されます。医療診断での健康な人への誤診断や、スパムメールフィルターでの正常メールの誤判定など、誤検知のリスクや運用コストを評価する際に欠かせない指標です。
具体例・使われ方
例えば、迷惑メールフィルタの運用が挙げられます。正常な電子メールを誤ってスパムメール（陽性）と判定してしまう割合が偽陽性率です。また、セキュリティシステムで攻撃ではない正常なアクセスを誤って検知・遮断するケースや、製造ラインの検品機が良品を誤って不良品と判断するケースも偽陽性率の具体例となります。
似た用語との違い
偽陽性率と混同しやすい概念に偽陰性率や適合率があります。偽陰性率は「実際には陽性であるデータのうち、誤って陰性と判定された割合」を指し、見逃しの多さを表します。一方、適合率は「モデルが陽性と予測したデータのうち、実際に陽性であった割合」を示します。偽陽性率は実際の陰性データを分母とする点が、これらの指標と異なります。
注意点
偽陽性率を低く抑えようと判定の閾値を調整すると、本来検知すべき陽性データを見逃すリスクが高まり、偽陰性率が増加するというトレードオフ関係が存在します。また、不均衡データにおいては、陰性データが極端に多いと偽陽性率が低く見えやすくなるため、再現率やF値など他の評価指標と組み合わせて評価することが重要です。