‌误判率（False Positive Rate）是评估模型性能的核心指标之一，指实际为负例的样本中被错误判定为正例的比例‌，其计算公式为：‌误判率=FP/(FP+TN)‌（FP为假阳性数，TN为真阴性数）。这一指标在医疗诊断、金融风控等领域直接影响决策可靠性。

关键计算要点

1. ‌明确样本分类‌
   • 需严格区分真实标签（如实际健康/患病）与模型预测结果，确保FP（误报）和TN（正确排除）数据准确。
2. ‌公式应用场景‌
   • 高误判率可能意味着模型过于敏感（如垃圾邮件误判正常邮件），需结合精确率（Precision）综合评估。
3. ‌与召回率的关系‌
   • 误判率与召回率（True Positive Rate）呈此消彼长趋势，优化时需权衡二者（如降低误判率可能漏检部分正例）。

注意事项

• 数据不平衡时（如负例远多于正例），误判率易被低估，建议辅以F1分数或ROC曲线分析。
• 实际应用中可通过调整分类阈值（如逻辑回归的0.5分界点）控制误判率。

‌总结‌：误判率量化了模型的“过度警惕”风险，合理调控该指标能有效减少误判带来的成本损失。