什么是假阳性率？
假阳性率（FPR），又称误报率（fall-out），用于衡量分类器或诊断测试将本应为阴性的样本错误判定为阳性的频率。它是机器学习、医学检测和统计学中的核心指标之一，同时也是 ROC 曲线的横坐标（x 轴）。
如何使用本计算器
输入假阳性数（FP）——即被错误预测为阳性的阴性样本数量；再输入真阴性数（TN）——即被正确识别为阴性的样本数量。计算器会同时给出比例和百分比形式的假阳性率，以及对应的特异度。
公式详解
假阳性率的计算公式为：
$$\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}$$
分母（FP + TN）是实际为阴性的样本总数。由于特异度（即真阴性率）等于 \(\text{TN} / (\text{FP} + \text{TN})\)，因此假阳性率正是它的补数：\(\text{FPR} = 1 - \text{特异度}\)。FPR 越低，说明该测试越不容易发出误报。
实例演算
假设某筛查测试产生了 10 个假阳性和 90 个真阴性。那么 $$\text{FPR} = \frac{10}{10 + 90} = \frac{10}{100} = 0.10$$ 即 10%。对应的特异度为 \(1 - 0.10 = 0.90\)，即 90%。这意味着该测试能正确排除 90% 的健康个体，但会对其中 10% 的人发出误报。
常见问题
假阳性率多低算好？越低越好。理想的 FPR 为 0，即没有任何阴性样本被错误分类；但在实际应用中，FPR 往往需要与灵敏度（sensitivity）相互权衡。
FPR 与精确率（precision）有何区别？FPR 以所有实际阴性样本的总数作为分母，而精确率关注的是被预测为阳性的样本，其公式为 \(\text{TP} / (\text{TP} + \text{FP})\)。
FPR 会大于 1 吗？不会。由于 FP 不可能超过 FP + TN，因此 FPR 始终介于 0 和 1 之间（即 0% 到 100%）。
