【G検定】偽陽性（False Positive）とは？第一種の過誤と適合率との関係をわかりやすく解説

「陽性と判定されたのに、実は違っていた」——分類モデルの誤りには2種類あり、その一方が偽陽性です。混同行列の4区分の中でも「誤検出」を表す重要な用語で、適合率の理解にも直結します。まずはここを正確に押さえましょう。

📖 ひと言でいうと

偽陽性（False Positive、FP）とは、実際には陰性（負例）であるデータを、モデルが誤って陽性（正例）と予測してしまった誤りのことです。「偽」は予測が外れたこと、「陽性」はモデルが陽性と答えたことを表します。

例えるなら、火のないところで鳴ってしまう火災報知器の「誤報」です。実際には火事ではない（陰性）のに、警報が鳴る（陽性と判定）——これが偽陽性です。誤報が多いと、住民は警報を信用しなくなります。厳密には、偽陽性は「モデルの出した陽性判定のうち間違っていたもの」であり、その多さは後述の適合率という指標に反映されます。

🖼 1枚でわかる偽陽性

📘 公式テキストの説明

混同行列における分類結果の一種で、実際には陰性（負例）であるデータを誤って陽性（正例）と予測したケースを指す。英語ではFalse Positive（FP）と呼ばれ、第一種の過誤とも言われる。例えば「犬」「猫」の画像分類問題において、実際は「猫」の画像を「犬」と予測した場合がこれに該当する。スパムメール検出では正常なメールを誤ってスパムと判定する場合に相当し、利用者にとって本来必要な情報を見逃させる原因となるため、適合率（precision）の評価において重要な指標となる。

読み解くポイントは用語の構造です。「陽性/陰性」はモデルの予測がどちらだったか、「真/偽」はその予測が当たったか外れたかを表します。つまり偽陽性は「陽性と予測したが、外れ（実際は陰性）」です。犬猫の例では「犬」を陽性クラスとしているため、実際は猫（陰性）なのに犬（陽性）と答えた誤りが偽陽性になります。統計学では「第一種の過誤」という呼び名でも登場します。

🔍 しっかり理解する

混同行列の中での位置

2クラス分類の結果は、実際のクラス（陽性/陰性）と予測クラス（陽性/陰性）の組み合わせで、真陽性（TP）・偽陽性（FP）・偽陰性（FN）・真陰性（TN）の4つに分かれます。偽陽性はこのうち「実際：陰性 × 予測：陽性」のマスです。読み方のコツは後ろから読むこと——「陽性（と予測して）」「偽（だった）」の順で解釈すれば混乱しません。

もう一つの誤り「偽陰性」との対比

分類の誤りは偽陽性と偽陰性の2種類しかありません。両者は誤りの方向が正反対です。

重要なのは、この2つの誤りがトレードオフの関係にあることです。モデルの判定基準を緩めて「怪しければ何でも陽性」とすれば見逃し（FN）は減りますが、誤検出（FP）が増えます。逆に基準を厳しくすればFPは減りますが、FNが増えます。どちらの誤りがより深刻かは、応用場面によって決まります。

適合率との関係

適合率（precision）は TP / (TP + FP) というプレーンな式で計算され、「陽性と予測したもののうち本当に陽性だった割合」を表します。分母に偽陽性が入っているため、偽陽性が増えるほど適合率は下がります。つまり適合率は「偽陽性の少なさ」を映す指標であり、誤検出のコストが高い場面（スパム判定で正常メールを失うなど）では、偽陽性を抑えること＝適合率の重視が求められます。

また、実際の陰性のうち誤って陽性とされた割合は偽陽性率（FPR） = FP / (FP + TN) として定義され、ROC曲線の横軸に使われます。偽陽性はここでも主役であり、モデル評価の広い場面に顔を出す基本量だとわかります。

💡 具体例で考える

スパムメール検出を考えます。スパムを陽性とすると、偽陽性は「正常なメールをスパムと誤判定する」ことです。この誤りの被害は深刻で、取引先からの重要なメールがスパムフォルダに送られれば、利用者は本来必要な情報を見逃してしまいます。「スパムを1通通してしまう（偽陰性）」より「大事なメールを1通失う（偽陽性）」のほうが痛い——だからスパムフィルタは偽陽性を抑える設計、すなわち適合率重視になるのが一般的です。

公式テキストの犬猫分類の例も確認しましょう。犬100枚・猫100枚のデータで「犬」を陽性とした場合、実際は猫の画像を「犬」と予測した10枚が偽陽性（FP=10）としてカウントされます。同じ「間違い」でも、実際は犬を「猫」とした15枚は偽陰性であり、別のマスに集計される点に注目してください。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ