假陽性（False Positive）是什麼？

模型將實際為負的樣本錯誤預測為正的情況，又稱型一錯誤。

假陽性（False Positive，FP）是混淆矩陣（Confusion Matrix）中四個基本格子之一，屬於二元分類或多元分類模型評估的核心概念，有時也稱為「型一錯誤」（Type I Error）或「虛驚一場」。

混淆矩陣的四個象限

在二元分類的情境下，將「正類」（Positive）視為關注目標（如：患病、詐欺交易、惡意程式），混淆矩陣定義如下：

• 真陽性（TP，True Positive）：實際為正，預測也為正（正確）
• 假陰性（FN，False Negative）：實際為正，預測為負（漏報）
• 假陽性（FP，False Positive）：實際為負，預測為正（誤報）
• 真陰性（TN，True Negative）：實際為負，預測也為負（正確）

假陽性即第三格，代表「本來沒事，但模型說有事」的情況。

相關評估指標

• 精確率（Precision）= TP / (TP + FP)：假陽性越多，精確率越低。
• 假陽性率（FPR，False Positive Rate）= FP / (FP + TN)：在所有真負樣本中，被誤報為正的比例，常用於繪製 ROC 曲線的橫軸。
• 特異度（Specificity）= TN / (TN + FP) = 1 - FPR：模型正確排除負類的能力。

應用情境與代價分析

假陽性的代價因應用情境而異，設計系統時必須根據業務目標權衡：

1. 醫療診斷（癌症篩檢）：假陽性導致病人不必要地接受進一步檢查、手術或化療，帶來身心壓力與醫療資源浪費，但可透過後續確認檢查來降低傷害。
2. 電子郵件垃圾信過濾：假陽性讓正常信件被歸入垃圾桶，使用者可能錯過重要通知，通常比假陰性（垃圾信進收件匣）代價更高。
3. 資安入侵偵測（IDS）：大量假陽性警報會導致「警報疲勞」（alert fatigue），資安人員因為警報太多而忽略真正的威脅。
4. 自動駕駛行人偵測：假陽性（誤以為有行人）會讓車輛緊急煞車，影響乘客體驗與後車安全，但假陰性（沒偵測到真正的行人）的代價遠高於此。

降低假陽性的策略

• 調高分類閾值（decision threshold）：預設通常為 0.5，提高門檻讓模型更保守地預測正類。
• 改善特徵工程，減少雜訊特徵對模型的干擾。
• 使用成本敏感學習（cost-sensitive learning），在損失函數中對假陽性賦予較高懲罰。
• 增加訓練資料中負類樣本的多樣性，讓模型更能區分真正的正類與難分負類。

假陽性 vs. 假陰性的取捨 精確率與召回率（Recall）之間存在本質上的取捨關係：降低假陽性（提升精確率）通常會增加假陰性（降低召回率），反之亦然。F1 分數（F1-Score）是兩者的調和平均，當業務需要平衡兩者時常作為單一指標使用；若假陽性代價遠大於假陰性，則傾向優化精確率；若假陰性代價遠大於假陽性（如疾病篩檢），則傾向優化召回率。

實務操作建議

在工程實作中，建議將假陽性率的可接受上限納入模型驗收標準（acceptance criteria），而非只看整體準確率。對於高風險決策系統（如自動審核、人臉識別），應定期監控上線後的假陽性率是否因資料分布變化而上升（資料漂移，data drift）。此外，機器學習模型的假陽性率通常可透過「人機協作」設計來緩解：高風險的邊界案例（模型信心值接近決策閾值）可轉介給人工審核，降低自動化決策帶來的假陽性影響。在監管要求嚴格的行業（如金融信貸、醫療診斷），假陽性的具體案例可能需要存檔以供稽核，需在系統設計階段提前規劃記錄機制。