偽陽性率（FPR）とは？
偽陽性率（FPR：False Positive Rate）は「フォールアウト」とも呼ばれ、分類器や診断検査が、本来は陰性であるケースを誤って陽性と判定してしまう頻度を表す指標です。機械学習・医療検査・統計学のいずれにおいても基本となる評価指標であり、ROC曲線の横軸（x軸）にあたります。
このツールの使い方
偽陽性（FP）の件数（陰性なのに誤って陽性と予測されたケース）と、真陰性（TN）の件数（陰性を正しく判定できたケース）を入力してください。本ツールは、FPRを割合（比率）とパーセンテージの両方で表示し、対応する特異度もあわせて算出します。
計算式の解説
偽陽性率は次の式で求めます。
$$\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}$$
分母の \(\text{FP} + \text{TN}\) は、実際に陰性であるケースの総数です。特異度（真陰性率）が \(\frac{\text{TN}}{\text{FP} + \text{TN}}\) で表されることから、FPRはちょうどその裏返し（補数）になります。
$$\text{FPR} = 1 - \text{特異度}$$
FPRが低いほど、誤った警告（誤検知）が少ない優れた検査であることを意味します。
具体例で確認
あるスクリーニング検査で、偽陽性が10件、真陰性が90件発生したとします。このとき $$\text{FPR} = \frac{10}{10 + 90} = \frac{10}{100} = 0.10,$$ すなわち10%となります。特異度は \(1 - 0.10 = 0.90\)、つまり90%です。これは、健康な人の90%を正しく「陰性」と判定できる一方で、10%については誤って警告を出してしまうことを意味します。
よくある質問（FAQ）
良い偽陽性率の目安は？ 低いほど良いとされます。理想的なFPRは0で、陰性をひとつも誤判定しない状態を指します。ただし現実の検査では、FPRと感度（再現率）はトレードオフの関係にあり、両立は容易ではありません。
FPRと適合率（Precision）の違いは？ FPRは「実際に陰性であるケースの総数」を分母とするのに対し、適合率は「陽性と予測したケース」に着目します（\(\frac{\text{TP}}{\text{TP} + \text{FP}}\)）。
FPRが1を超えることはある？ ありません。FPが（FP + TN）を超えることはないため、FPRは常に0〜1（0%〜100%）の範囲に収まります。
