Ekhmm ... non sono inversamente correlati. Sono direttamente correlati: quando uno aumenta anche l'altro:
70% | 0.01%
90% | 1%
70% < 90% and 0.01% < 1%
Questa è davvero una domanda di apprendimento automatico. Il falso accetto è un falso positivo . In altre parole, è la possibilità che qualcuno a caso verifichi l'impronta digitale come un'altra persona.
Supponendo che Bob sia una persona autorizzata le cui impronte digitali abbiamo caricato nel nostro sistema biometrico. Ora, possiamo regolare i parametri del nostro sensore biometrico per verificare se Bob è Bob usando la sua impronta digitale. Se modifichiamo il sensore in modo molto schizzinoso (la soglia di accettazione è bassa), Bob avrà il 77% di possibilità di verificare che sia lui stesso al primo tentativo. Se ora Eva cerca di impersonare Bob attraverso questo sistema molto schizzinoso, ha solo lo 0,01% di possibilità che le sue impronte digitali vengano riconosciute come quelle di Bob al suo primo tentativo.
Quando abbassiamo il "pickiness" del sensore (con una maggiore soglia di accettazione), Bob sarà in grado di verificare che è lui stesso più facile: avrà il 90% di probabilità che il sensore concluda che è Bob basato sulle sue impronte digitali (al primo tentativo). D'altra parte, in questo sistema meno schizzinoso, Eve ha una maggiore possibilità di impersonare Bob: nel suo primo tentativo di leggere le sue impronte digitali, c'è una probabilità dell'1% che il sensore possa concludere che le impronte digitali di Eva sono in realtà di Bob (e autorizzano Eva come se fosse Bob).
Qualsiasi sistema di machine learning con un parametro di soglia di accettazione si esibirà nel modo sopra descritto. In ML avrai sempre:
- Veri negativi - Le impronte digitali di un impostore non sono quelle di Bob
- veri positivi - Le impronte digitali di Bob sono quelle di Bob
- falsi negativi - Le impronte digitali di Bob non sono di Bob
- falsi positivi - Le impronte digitali di un impostore sono concluse per essere di Bob
Il sistema ML perfetto darebbe solo veri positivi e veri negativi, ma non funziona così. C'è rumore e rumore richiederà una soglia di accettazione. Un sensore che non avrebbe alcuna soglia di accettazione fornirebbe solo negativi reali e falsi negativi. Ma sarebbe completamente inutile perché nessuno sarebbe mai autorizzato a fare qualcosa.
Una soglia di accettazione è una quantità di differenza consentita tra le impronte digitali memorizzate nel database e quelle lette dal sensore (ed elaborate dal sistema ML). Aumentare questa soglia aumenta il numero di veri positivi e falsi positivi (ricorda che senza la soglia avevamo solo veri negativi e falsi negativi).
Nel contesto dell'articolo "probabilità di verifica" è la quantità di veri positivi e "tasso di accettazione falsi" è la quantità di falsi positivi .