# 위양성율 (False Positive Rate)

**위양성율**(False Positive Rate, 약자 **FPR**)은 이진 분류(Binary Classification) 문제에서 실제 음성(Negative)인 샘플 중 모델이 양성(Positive)으로 잘못 예측한 비율을 의미합니다. 즉, "사건이 발생하지 않았음에도 불구하고 사건이 발생했다고 판단하는 오류"의 빈도를 나타내는 지표로, 머신러닝 및 통계학에서 모델의 성능을 평가하는 핵심 요소 중 하나입니다.

## 1. 개요 및 정의

위양성율은 혼동 행렬(Confusion Matrix)에서 **특이도(Specificity)**와 밀접한 관련이 있으며, 다음과 같은 수식으로 정의됩니다.

$$ \text{FPR} = \frac{\text{False Positives (FP)}}{\text{False Positives (FP)} + \text{True Negatives (TN)}} = \frac{\text{FP}}{\text{Actual Negatives}} $$

여기서:
*   **False Positive (FP)**: 실제 값이 음성(Negative)이지만, 모델이 양성(Positive)으로 예측한 경우.
*   **True Negative (TN)**: 실제 값이 음성(Negative)이고, 모델도 음성으로 올바르게 예측한 경우.

위양성율은 **0에서 1 사이의 값**을 가지며, 값이 낮을수록 모델이 음성 샘플을 올바르게 식별하는 능력이 우수함을 의미합니다. 일반적으로 0에 가까울수록 이상적인 모델에 가깝습니다.

## 2. 위양성율의 중요성과 해석

위양성율은 단순히 오류의 개수가 아닌, **전체 음성 샘플 중 얼마나 많은 비율이 오류를 범했는지**를 나타내는 상대적 지표입니다. 이는 클래스 불균형(Class Imbalance)이 심한 데이터셋에서 특히 중요한 의미를 가집니다.

### 2.1 민감도(Sensitivity)와의 관계
위양성율은 종종 **민감도(Recall 또는 True Positive Rate, TPR)**와 함께 고려됩니다. 민감도가 "실제 양성 중 얼마나 잘 찾아냈는가"를 나타낸다면, 위양성율은 "실제 음성 중 얼마나 잘못 찾아냈는가"를 나타냅니다. 두 지표는 서로 트레이드오프(Trade-off) 관계에 있는 경우가 많으며, 분류 임계값(Threshold)을 조정함으로써 이 두 값을 조절할 수 있습니다.

### 2.2 ROC 곡선에서의 역할
위양성율은 **ROC 곡선(Receiver Operating Characteristic Curve)**의 X축을 구성합니다. ROC 곡선은 다양한 분류 임계값에 따른 TPR(민감도)과 FPR(위양성율)의 관계를 시각화한 것으로, 모델의 전반적인 판별 능력을 평가하는 데 널리 사용됩니다.

*   **X축**: 위양성율 (FPR)
*   **Y축**: 민감도 (TPR)

ROC 곡선 아래 영역의 넓이인 **AUC(Area Under the Curve)**가 1에 가까울수록 모델의 성능이 우수하다고 평가받습니다. 위양성율이 낮으면서 민감도가 높은 모델이 이상적인 모델입니다.

## 3. 위양성율의 실제 사례 및 영향

위양성율의 영향은 적용 분야에 따라 크게 달라집니다.

| 분야 | 위양성 발생 시 결과 | 허용 가능한 FPR 수준 | 비고 |
| :--- | :--- | :--- | :--- |
| **의료 진단** | 건강한 사람을 환자라고 오진 (불필요한 추가 검사, 정신적 스트레스) | 매우 낮음 | 위양성으로 인한 불필요한 치료나 검사 비용이 큼. |
| **스팸 필터링** | 정상 메일을 스팸으로 분류 (중요한 메일 놓침) | 낮음 | 사용자가 중요한 메일을 놓치는 것은 큰 불편을 초래함. |
| **범죄 예방** | 무고한 사람을 용의자로 지목 (인권 침해, 사회적 비용) | 극히 낮음 | 위양성의 사회적 비용이 매우 큼. |
| **재난 감지** | 정상 상태를 재난으로 오인 (가동 중단, 경제적 손실) | 상황에 따라 다름 | 위양성보다는 위음성(False Negative)이 더 치명적인 경우 많음. |

## 4. 위양성율 감소 전략

모델의 위양성율을 낮추기 위해서는 다음과 같은 접근법이 사용됩니다.

1.  **임계값 조정**: 분류 확률 임계값을 높여, 양성으로 예측하기 더 어렵게 만듭니다. 이는 민감도를 낮추는 대신 위양성율을 감소시킵니다.
2.  **데이터 전처리**: 음성 샘플의 품질을 높이고, 노이즈를 제거하며, 특징 공학(Feature Engineering)을 통해 음성과 양성을 명확히 구분하는 특징을 추출합니다.
3.  **알고리즘 선택 및 튜닝**: 과적합(Overfitting)을 방지하고 일반화 성능을 높이는 정규화(Regularization) 기법을 적용합니다.
4.  **불균형 데이터 처리**: 음성 샘플의 수를 늘리거나, 가중치(Wait)를 조정하여 모델이 음성 클래스를 더 잘 학습하도록 합니다.

## 5. 관련 용어 및 참고 자료

*   **위음성율(False Negative Rate, FNR)**: 실제 양성인 샘플 중 음성으로 잘못 예측된 비율. ($1 - \text{Sensitivity}$)
*   **정밀도(Precision)**: 양성으로 예측된 샘플 중 실제 양성인 비율.
*   **특이도(Specificity)**: 실제 음성인 샘플 중 음성으로 올바르게 예측된 비율. ($1 - \text{FPR}$)

### 참고 문헌
*   Provost, F., & Fawcett, T. (2013). *Data Science for Business*. O'Reilly Media.
*   Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.
*   sklearn.metrics documentation: `false_positive_rate`

---
*본 문서는 머신러닝 모델 평가 지표 중 하나인 위양성율에 대한 기본 개념, 수학적 정의, 실제 적용 사례 및 관련 지표를 설명합니다. 모델의 성능을 평가할 때는 단일 지표보다는 정밀도, 재현율, F1-Score, ROC-AUC 등 여러 지표를 종합적으로 고려하는 것이 중요합니다.*