​​误判率（False Positive Rate）是衡量模型将负样本错误判定为正样本的概率，计算公式为FPR=FP/(FP+TN)，其中FP为假正例数量，TN为真负例数量。​​ 该指标直接影响模型可靠性，尤其在医疗诊断、金融风控等高风险领域需严格把控。

1. ​​核心公式解析​​：误判率的分母为实际负样本总量（FP+TN），分子为被误判的正样本数（FP）。比值越小，代表模型对负样本的误判越少。例如，若100个健康人中模型误判5人为患者，误判率即为5%。

2. ​​与召回率的区别​​：误判率聚焦负样本错误率，而召回率（Recall）关注正样本的漏检率，两者评估维度不同。高召回率模型可能伴随高误判率，需根据场景权衡。

3. ​​应用场景影响​​：在垃圾邮件过滤中，高误判率会导致正常邮件被拦截；但在癌症筛查中，宁可提高误判率也要确保不漏诊，此时需结合其他指标综合优化。

4. ​​降低误判率的方法​​：调整分类阈值、使用更精准的特征工程或引入集成学习技术（如随机森林），均可减少假正例。但需注意，过度降低误判率可能导致漏检风险上升。

理解误判率有助于优化模型性能，但需结合精确率、F1分数等指标全面评估，避免单一指标导致的决策偏差。