Comparación lado a lado entre falso positivo y falso negativo. Entienda qué tipo de error marca algo que está ausente y qué tipo de error omite algo que está presente.
Veredicto rápido: Use falso positivo para una alerta positiva incorrecta; use falso negativo para una omisión incorrecta al detectar una condición positiva real.
False Positive describes error in which a model predicts the positive class when the true class is negative.
Contexto: Más relevante al evaluar errores de sobredetección en sistemas de clasificación o detección.
False Negative describes error in which a model predicts the negative class when the true class is positive.
Contexto: Más relevante al evaluar detecciones omitidas en sistemas de clasificación o cribado.
| Aspecto | False Positive | False Negative |
|---|---|---|
| Qué mide | Un falso positivo mide un error en el que el modelo predice positivo pero la clase verdadera es negativa. | Un falso negativo mide un error en el que el modelo predice negativo pero la clase verdadera es positiva. |
| Mejor caso de uso | Más útil para entender sobredetección, alertas innecesarias o acusaciones incorrectas. | Más útil para entender detecciones omitidas, condiciones pasadas por alto o eventos no detectados. |
| Modo de fallo | El sistema dice que algo está presente cuando está ausente. | El sistema dice que algo está ausente cuando está presente. |
| Sensibilidad al umbral | Bajar un umbral de detección puede aumentar falsos positivos al marcar más casos límite. | Subir un umbral de detección puede aumentar falsos negativos al omitir más casos positivos reales. |
| Error común | Llamar falso positivo a cualquier predicción equivocada sin comprobar la clase verdadera. | Llamar falso positivo a un caso omitido en lugar de reconocerlo como falso negativo. |
En la práctica, el error grave depende del caso de uso. Un falso positivo puede ser inaceptable en un contexto, mientras que un falso negativo puede ser el riesgo dominante en otro.
Olvidar definir la clase positiva antes de interpretar errores.
Tratar falsos positivos y falsos negativos como igualmente dañinos en todo caso de uso.
Optimizar un umbral sin documentar los compromisos.
Informar accuracy sin mostrar qué tipo de error aumentó.
Use falso positivo cuando un modelo predice incorrectamente la clase positiva para un elemento cuya clase verdadera es negativa. Es el término correcto para análisis de sobredetección o falsas alarmas.
Use falso negativo cuando un modelo predice incorrectamente la clase negativa para un elemento cuya clase verdadera es positiva. Es el término correcto para análisis de detecciones omitidas o fallos de detección.
La selección de métricas afecta los informes de validación, la evidencia de conformidad y la aceptación de riesgos. Los registros de aseguramiento estilo NIST AI RMF e ISO 42001 deben explicar qué tipo de error es más dañino para el caso de uso y cómo se eligieron los umbrales.
Un falso positivo es una falsa alarma: el modelo dice que una condición está presente cuando no lo está. Un falso negativo es un caso omitido: el modelo no detecta una condición que sí está presente.
Depende del caso de uso y del contexto de riesgo. Los registros de cumplimiento y validación deben identificar qué tipo de error causa mayor daño y por qué.
Falso positivo y falso negativo se definen en relación con la clase positiva. Sin definir esa clase, las etiquetas pueden interpretarse mal.
No recently viewed comparisons yet.