위양성률(false positive rate, FPR)은 결과가 일어나지 않은 사례만 봅니다. 이탈하지 않은 고객, 정상 거래, 고장 나지 않은 장비 가운데 모델이 그래도 양성으로 판정한 비율은 얼마일까요? 혼동 행렬로 표현하면 FPR은 거짓 양성을 거짓 양성과 참 음성의 합으로 나눈 값입니다.
CUBIG이 공개한 UCI Iranian Churn 실험(2026년 10월) 수치를 보면, 데이터 준비 전 로지스틱 회귀는 이탈하지 않은 고객 531명 가운데 8명을 양성으로 판정했습니다. 위양성률은 약 1.5%입니다. 준비 후에는 같은 모델 설정과 평가 레코드에서 41명, 약 7.7%를 양성으로 판정했습니다. 같은 변화에서 모델이 찾아낸 이탈 고객은 99명 가운데 42명에서 78명으로 늘었습니다.
같은 네 가지 수치로 구하는 관련 비율은 다음과 같습니다.
- 참 양성률(true positive rate) 또는 재현율(recall): 실제 양성 가운데 모델이 양성으로 판정한 비율
- 참 음성률(true negative rate) 또는 특이도(specificity): 실제 음성 가운데 모델이 음성으로 둔 비율로, 1에서 위양성률을 뺀 값
- 거짓 발견율(false discovery rate): 양성 판정 가운데 틀린 판정의 비율로, 1에서 정밀도를 뺀 값
위양성률은 거짓 발견율과 어떻게 다른가요?
- 위양성률은 잘못된 경보 수를 실제 음성 전체로 나눕니다. 아무 일도 없었던 사례를 모델이 얼마나 자주 건드리는지 보여 줍니다.
- 거짓 발견율은 잘못된 경보 수를 전체 양성 판정 수로 나눕니다. 검토자가 받는 판정 가운데 몇 건이 틀렸는지 보여 주며, 1에서 정밀도를 뺀 값과 같습니다.
- Iranian Churn 수치에서 준비 후 위양성률은 약 7.7%였고, 양성 판정 119건 가운데 약 34.5%가 틀렸습니다. 두 비율은 같은 잘못된 경보를 서로 다른 분모로 나누어 나타냅니다.
AI 업무에서 위양성률은 어디서 문제가 되나요?
음성이 양성보다 압도적으로 많으면 위양성률이 낮아도 업무량은 클 수 있습니다. 사기 탐지 모델이 정상 거래 100만 건을 선별하면 위양성률 1%만으로도 잘못된 경보 1만 건이 검토로 넘어갑니다. 비율만 보고하면 검토자가 실제로 마주하는 물량이 가려질 수 있습니다.
위양성률은 결정 임곗값과 평가 레코드에 따라서도 달라집니다. 따라서 두 비율은 같은 평가 세트에서 같은 임곗값을 쓸 때만 비교할 수 있습니다. ROC 곡선은 임곗값별 참 양성률과 위양성률을 함께 그려, 한 지점이 아니라 둘 사이의 트레이드오프 전체를 보여 줍니다. 1.5%에서 7.7%로 오른 결과를 받아들일 수 있는지는 놓친 사례 하나와 잘못된 경보 하나에 팀이 각각 얼마의 비용을 치르는지에 달려 있습니다.