Falsch-positiv-Rate
5 Fehlalarme unter 100 tatsächlich negativen Fällen ergeben eine Falsch-positiv-Rate von 0,05: 5 falsch Positive geteilt durch 5 plus 95 richtig Negative. Nützlich für Screenings, Spamfilter oder die waagrechte Achse einer ROC-Kurve. Kostenlos in Ihrem Browser.
- Kostenlos
- Läuft in Ihrem Browser
- Ohne Anmeldung
- Ihre Daten bleiben auf Ihrem Gerät
Im Browser ausführen – kostenlos
Rechenbeispiel
- Falsch positive
- 5
- Richtig negative
- 95
- Bedingung negativ
- 100
- Falsch-positiv-Rate
- 0,05
Die Falsch-positiv-Rate, auch Fall-out oder Typ-I-Fehlerrate eines binären Klassifikators, ist der Anteil der tatsächlichen Negativen, die fälschlich als positiv gekennzeichnet wurden. Sie geben zwei nichtnegative Zählwerte ein —falsch Positive und echte Negative— und dieser Rechner liefert die Rate als Dezimalzahl: FPR ist FP geteilt durch FP plus TN. Ein FPR von 0.05 bedeutet, dass fünf Prozent der wirklich negativen Fälle Fehlalarme waren. Sind beide Zählwerte null, gibt es keine bedingungsnegativen Fälle und die Rate ist undefiniert; der Aufruf scheitert deshalb sauber.
Was die Falsch-positiv-Rate misst und wie die zwei Zählwerte zusammenwirken
Die Falsch-positiv-Rate eines binären Klassifikators ist der Bruchteil der tatsächlichen Negativen, die das System fälschlich als positiv gekennzeichnet hat. In der Sprache einer Zwei-mal-zwei-Konfusionsmatrix teilen sich diese tatsächlichen Negativen in zwei Zellen: falsch Positive, die Fehlalarme, und echte Negative, die Fälle, die das System zu Recht in Ruhe gelassen hat. Ihre Summe ist die Zahl der bedingungsnegativen Fälle, und die Falsch-positiv-Rate sind die falsch Positiven geteilt durch diese Summe: FPR ist FP über FP plus TN.
Dieselbe Größe heißt in Information-Retrieval-Aufsätzen Fall-out und ist eins minus Spezifität, weil die Spezifität TN über FP plus TN ist. Ein FPR von null bedeutet, dass der Klassifikator unter den bekannten Negativen nie einen Fehlalarm ausgelöst hat. Ein FPR von eins bedeutet, dass jedes tatsächliche Negative markiert wurde.
Ein FPR von 0.05 bedeutet, dass fünf von hundert wirklich negativen Fällen falsch Positive waren; das ist die übliche Dezimalform, die dieser Endpunkt statt eines Prozentsatzes zurückgibt. Die Definition ist nur ein Verhältnis zweier Zählwerte und hängt deshalb nicht davon ab, wie viele echte Positive oder falsch Negative Sie beobachtet haben: diese Zellen gehören zu Sensitivität, Präzision und anderen abgeleiteten Kennzahlen. Diese Fähigkeit verlangt daher nur die zwei Zählwerte, die im Nenner des FPR stehen.
Sie erfindet weder Konfidenzintervalle noch ROC-Punkte noch p-Werte.
Eingabevertrag, Antwortform und Fehlerverhalten
Die Aliase fp und FP werden für das erste Feld akzeptiert; tn und TN für das zweite, damit Notizbücher und typisierte Formulare die Namen wiederverwenden, die sie bereits haben. Beide Zählwerte müssen größer oder gleich null sein. Der veröffentlichte Vertrag ist eindeutig: ein negativer Zählwert echter Negativer wird abgelehnt, weil eine negative Zelle kein Zählwert ist und die Bedeutung der Rate umkehren würde.
Ein negativer Zählwert falsch Positiver wird aus demselben Grund abgelehnt. Numerische Ergebnisse werden auf eine stabile Präzision von zwölf signifikanten Stellen gerundet, damit goldene Beispiele und Laufzeit-übergreifende Clients Byte für Byte vergleichen. Gescheiterte Prüfung wird nicht berechnet.
Koppeln Sie diesen Endpunkt mit Ihrer eigenen Software für ROC-Kurven oder Wilson-Intervalle, wenn Sie Inferenz jenseits der Punktschätzung brauchen; diese Fähigkeit ist absichtlich ein reiner analytischer FPR aus zwei Zählwerten.
Wo die Falsch-positiv-Rate besonders zählt
Bewertungsskripte des maschinellen Lernens brauchen einen deterministischen Rechner für die Falsch-positiv-Rate, der nie still Infinity zurückgibt, wenn ein Rückhaltesatz keine tatsächlichen Negativen hat. Medizinische und Screening-Tutorien nutzen den FPR, um die Kosten eines empfindlichen Tests zu erklären: jedes falsch Positive ist ein gesunder Mensch, der zur Nachuntersuchung geschickt wird, und die Rate sind diese Menschen geteilt durch alle wirklich Gesunden, die getestet wurden.
Warteschlangen für Spam, Betrug und Moderation beobachten diese Zahl, weil jeder Fehlalarm einen menschlichen Prüfungsslots verbraucht, und sie wollen die Dezimalzahl, keine Prozentzeichenkette, um sie neben einem Budget zu zeichnen. Gescheiterte Prüfung wird nicht berechnet. Halten Sie die zwei Zählwerte nichtnegativ, lehnen Sie eine negative Zelle echter Negativer ab, und Sie erhalten einen reproduzierbaren FPR für Hausaufgaben, CI und Produktionsberichte, ohne einen eigenen Statistikstapel aufzubauen.
Anwendungsfälle
Klassifikatorbewertung und ROC-Notizen
Wandeln Sie ein Rückhaltepaar aus FP- und TN-Zählwerten in die dezimale Falsch-positiv-Rate um, die als x-Achse einer ROC-Kurve dient.
Screening und Lehre medizinischer Tests
Zeigen Sie, wie viele gesunde Menschen ein Test zur Nachuntersuchung schicken würde, indem Sie falsch Positive durch alle tatsächlichen Negativen teilen.
Hausaufgaben und LMS-Autobewertung
Bewerten Sie FPR-Aufgaben mit einem deterministischen Orakel, das einen negativen Zählwert echter Negativer ablehnt und nie Infinity erfindet.
Häufige Fragen
Was geschieht, wenn der Zählwert der echten Negativen negativ ist?
Ein negativer Zählwert echter Negativer ist keine gültige Zelle einer Konfusionsmatrix, daher wird keine Rate erfunden. Diese Fehlschläge werden nicht berechnet.
Ist das Ergebnis ein Prozentsatz oder eine Dezimalzahl?
Eine Dezimalzahl auf dem Einheitsintervall. Fünf falsch Positive und fünfundneunzig echte Negative ergeben 0.05, nicht 5. Multiplizieren Sie nur dann mit 100, wenn Sie ein Prozent zur Anzeige brauchen.
Wie hängen Falsch-positiv-Rate und Spezifität zusammen?
Beide ergeben zusammen eins. Die Spezifität ist der Anteil richtig Negativer an allen tatsächlich Negativen, die Falsch-positiv-Rate ist also eins minus Spezifität. Eine Rate von 0,05 heißt, dass 95 % der Negativen korrekt erkannt wurden.
Warum brauche ich keine richtig Positiven oder falsch Negativen?
Weil die Falsch-positiv-Rate nur die tatsächlich negativen Fälle betrachtet. Richtig Positive und falsch Negative gehören zu anderen Kennzahlen wie Sensitivität und Präzision und verändern diese Rate nicht.
Was passiert, wenn beide Zählwerte null sind?
Die Berechnung wird abgelehnt. Ohne falsch Positive und ohne richtig Negative gibt es keinen einzigen tatsächlich negativen Fall, die Rate ist dann undefiniert und nicht etwa null.
Verwandte Tools
Für Entwickler — API-Zugang
Alles auf dieser Seite ist auch per API verfügbar. Dieser Abschnitt richtet sich an Teams, die es in ihre eigenen Systeme einbinden möchten; alle anderen nutzen einfach das Tool oben.
Endpunkt
Authentifizierung per Bearer-Token. Ein einziger POST stellt die Aufgabe in die Warteschlange; das Ergebnis erhalten Sie per Webhook oder über einen signierten Link.
Aufruf aus Ihrem Stack
curl -X POST https://api.kit.forhosting.com/stat/false-positive \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"false_positives":5,"true_negatives":95}'const res = await fetch("https://api.kit.forhosting.com/stat/false-positive", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"false_positives": 5,
"true_negatives": 95
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/stat/false-positive",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"false_positives": 5,
"true_negatives": 95
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/stat/false-positive", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"false_positives":5,"true_negatives":95}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"false_positives":5,"true_negatives":95}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/stat/false-positive", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)Beispiel-Anfrage
{
"false_positives": 5,
"true_negatives": 95
}Beispiel-Antwort
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "stat.false_positive",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}Die API arbeitet asynchron: Sie erhalten sofort eine task_id. Polling ist mit 1 Anfrage pro Sekunde erlaubt.
Preis
Der Preis steht auf der Seite – keine Tokens, keine Credits. Fehlgeschlagene Aufgaben werden nicht berechnet.
Fehler
| HTTP | Code | Bedeutung |
|---|---|---|
401 | unauthorized | Der API-Schlüssel fehlt oder ist ungültig – prüfen Sie den Authorization-Header (Bearer). |
402 | insufficient_balance | Ihr Guthaben reicht für diese Aufgabe nicht aus – Aufladungen verfallen nicht. |
404 | unknown_type | Unbekannter Aufgabentyp – prüfen Sie das Feld „type“ gegen den Katalog. |
429 | rate_limited | Zu viele Anfragen – warten Sie kurz; Polling ist mit 1 Anfrage pro Sekunde erlaubt. |
Technische Hinweise
Ist der Zählwert der echten Negativen negativ, scheitert die Aufgabe mit invalid_input, statt eine Rate aus einem unmöglichen Zählwert zu erfinden. Erfolgreiche API-Aufrufe kosten $0.002; ungültige Eingaben werden nicht berechnet.
Was die Falsch-positiv-Rate misst und wie die zwei Zählwerte zusammenwirken
Ist der Zählwert der echten Negativen negativ, würde die Arithmetik eine unmögliche Tabelle beschreiben; die Aufgabe scheitert deshalb mit invalid_input. Sind beide Zählwerte null, gibt es keine bedingungsnegative Grundgesamtheit und das Verhältnis ist undefiniert; der Aufruf scheitert statt NaN oder Infinity zurückzugeben, die JSON-Clients zerbrechen würden.
Eingabevertrag, Antwortform und Fehlerverhalten
Senden Sie per POST einen JSON-Körper mit zwei erforderlichen endlichen Zahlen: false_positives, die Zahl der tatsächlichen Negativen, die als positiv vorhergesagt wurden, und true_negatives, die Zahl der tatsächlichen Negativen, die als negativ vorhergesagt wurden. Jedes Feld darf als JSON-Zahl oder als numerische Zeichenkette ankommen; nichtendliche Werte, fehlende Felder, leere Zeichenketten und nichtnumerische Typen scheitern mit invalid_input und nennen das Feld. Die Summe der beiden Zählwerte muss streng größer als null sein: eine Tabelle ohne tatsächliche Negative macht den FPR undefiniert, und die Fehlermeldung sagt das, damit Bewerter und API-Clients eine leere negative Klasse von anderer ungültiger Eingabe unterscheiden. Bei Erfolg wiederholt der Körper beide Zählwerte, gibt condition_negatives als ihre Summe zurück, gibt false_positive_rate als bereinigte Dezimalzahl zurück und enthält eine kurze Formelzeichenkette, die FPR gleich FP über FP plus TN festhält. Beispiel: fünf falsch Positive und fünfundneunzig echte Negative ergeben condition_negatives von einhundert und eine false_positive_rate von 0.05.
Wo eine API für die Falsch-positiv-Rate ihren Nutzen zeigt
Produktdashboards, die bereits Konfusionszählwerte speichern, können die API aus einer Pipeline aufrufen und nur die Dezimalrate ablegen, die sich günstig über die Zeit verfolgen lässt.
Technische Fragen
Wie berechnet man die Falsch-positiv-Rate aus Zählwerten?
Senden Sie false_positives (FP) und true_negatives (TN). Die API gibt false_positive_rate = FP / (FP + TN) als Dezimalzahl zurück, plus die bedingungsnegative Summe FP + TN.
Was geschieht, wenn beide Zählwerte null sind?
Die Falsch-positiv-Rate ist undefiniert, wenn es keine tatsächlichen Negativen gibt (FP + TN = 0). Der Rechner gibt invalid_input statt Infinity oder NaN zurück.
Was kostet der Rechner für die Falsch-positiv-Rate?
Das Browser-Werkzeug ist kostenlos. API-Anfragen nutzen vorausbezahltes KIT-Guthaben zu $0.002 je erfolgreichem Aufruf; ungültige Eingaben werden nicht berechnet.