---
title: "假陽性（False Positive）"
slug: false-positive
language: zh-TW
source: https://aiterms.tw/terms/false-positive
updated_at: 2026-06-22
tags: [混淆矩陣, 分類評估, 精確率, 型一錯誤, 模型評估]
ipas_term: false
---

# 假陽性（False Positive）

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。

## 完整說明

假陽性（False Positive，FP）是分類模型評估中的基本概念，指模型將真實標籤為「負類」的樣本錯誤判斷為「正類」的情況。假陽性率越高，代表模型越容易發出錯誤警報，會影響精確率（Precision）等評估指標，在醫療診斷、資安偵測等高風險情境中須特別謹慎控制。

## 常見問題

### 假陽性和假陰性哪個比較嚴重？

沒有絕對答案，取決於應用場景的代價結構。在癌症早期篩檢中，假陰性（漏診）的代價遠高於假陽性（誤報），因為漏診可能延誤治療；但在垃圾信件過濾中，假陽性（正常信被誤判為垃圾）的代價可能高於假陰性（垃圾信進收件匣）。設計分類系統前，應先與業務方確認兩種錯誤的相對代價，再選擇適合的評估指標與決策閾值。

### 如何在混淆矩陣中快速找到假陽性？

混淆矩陣的列（row）代表實際標籤，欄（column）代表預測標籤。假陽性位於「實際為負、預測為正」的格子。以二元矩陣為例，若將正類放在第二列/欄，假陽性就是矩陣的右下角（實際負、預測正）。不過不同工具的排列方式可能有差異，建議閱讀文件確認軸的方向，或直接用 scikit-learn 的 ConfusionMatrixDisplay 視覺化確認。

### 假陽性率（FPR）和精確率（Precision）有什麼差別？

兩者都與假陽性有關，但分母不同，關注的面向也不同。假陽性率（FPR = FP / (FP + TN)）衡量「在所有真正的負樣本中，有多少被誤報為正」，常用於 ROC 分析，評估模型對負類的識別能力。精確率（Precision = TP / (TP + FP)）衡量「模型預測為正的樣本中，真正是正的比例」，關注的是預測為正時的可信度。兩者適用於不同的分析角度，實際應用中通常要同時觀察。

---

來源：https://aiterms.tw/terms/false-positive
快查頁：https://aiterms.tw/terms/false-positive
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-false-positive