Comparación lado a lado entre la tasa de falsos positivos y la tasa de falsos negativos. Explica cómo el marcado erróneo de negativos reales difiere de pasar por alto positivos reales en la evaluación de clasificación.
Veredicto rápido: Use tasa de falsos positivos cuando importen las falsas alarmas; use tasa de falsos negativos cuando importen los positivos omitidos.
False Positive Rate describes proportion of actual negative examples that a model incorrectly predicts as positive.
Contexto: Más relevante al evaluar sistemas en los que marcar indebidamente negativos crea coste, carga o daño.
False Negative Rate describes proportion of actual positive examples that a model incorrectly predicts as negative.
Contexto: Más relevante cuando no detectar un positivo real crea riesgo de seguridad, cumplimiento u operación.
| Aspecto | False Positive Rate | False Negative Rate |
|---|---|---|
| Qué mide | La tasa de falsos positivos mide con qué frecuencia los negativos reales se predicen incorrectamente como positivos. | La tasa de falsos negativos mide con qué frecuencia los positivos reales se predicen incorrectamente como negativos. |
| Mejor caso de uso | Úsela cuando las falsas alarmas, marcas indebidas o intervenciones innecesarias sean costosas. | Úsela cuando los positivos omitidos, casos no detectados o fallos de seguridad sean costosos. |
| Modo de fallo | El fallo consiste en sobremarcar casos negativos como si fueran positivos. | El fallo consiste en infradetectar casos positivos y tratarlos como negativos. |
| Sensibilidad al umbral | Reducir un umbral de clasificación puede aumentar los falsos positivos y elevar la tasa de falsos positivos. | Elevar un umbral puede aumentar los positivos omitidos y elevar la tasa de falsos negativos. |
| Error común | Un error común es optimizar una FPR baja sin comprobar si el sistema omite demasiados positivos. | Un error común es optimizar una FNR baja sin comprobar la carga o el daño de los falsos positivos adicionales. |
En la práctica, falsos positivos y falsos negativos son decisiones de política tanto como estadísticas del modelo. Los equipos deben decidir qué error es más dañino antes de ajustar umbrales.
Informar una tasa de error sin la otra
Elegir umbrales solo por rendimiento agregado y no por compensaciones de daño
Ignorar el desbalance de clases y las tasas base al interpretar métricas de error
Use Tasa de falsos positivos cuando la cuestión de gobernanza sea con qué frecuencia el sistema marca indebidamente casos negativos. Es importante en cribado, moderación, fraude y cumplimiento, donde el sobremarcado puede causar daño.
Use Tasa de falsos negativos cuando el riesgo clave sea no identificar positivos reales. Es importante en seguridad, protección, medicina y tareas de detección de cumplimiento en las que los casos omitidos pueden ser costosos.
La elección de métricas afecta informes de validación, aceptación de riesgos y afirmaciones ante usuarios o reguladores. Los sistemas de IA de alto impacto deben documentar ambos tipos de error y explicar por qué los umbrales elegidos son aceptables para el contexto de uso.
A veces, pero a menudo existe una compensación según el modelo y el umbral. El equilibrio correcto depende del coste de cada tipo de error.
Depende del modelo de daño. En algunos sistemas los positivos omitidos son más peligrosos; en otros, las acusaciones falsas o intervenciones innecesarias causan más daño.
Documente el conjunto de datos, el umbral, el balance de clases, las tasas de error y la razón operativa para aceptar la compensación elegida. Esto facilita revisar la evidencia de validación.
No recently viewed comparisons yet.