Métriques • Débutant

Faux positif vs faux négatif

Comparaison côte à côte du faux positif et du faux négatif. Comprendre quel type d’erreur signale à tort quelque chose d’absent et quel type d’erreur manque quelque chose de présent.

Verdict rapide: Utilisez faux positif pour un signalement positif incorrect ; utilisez faux négatif pour l’absence incorrecte de détection d’une condition positive réelle.

En un coup d'œil

Faux positif

False Positive describes error in which a model predicts the positive class when the true class is negative.

Caractéristiques clés

• Le modèle prédit la classe positive
• La vraie classe est négative
• Le système signale une condition, un événement ou un élément comme présent alors qu’il ne l’est pas

Points d'attention

• Peut créer une escalade ou une intervention inutile
• Doit être interprété par rapport à la classe positive choisie

Contexte : Particulièrement pertinent lors de l’évaluation des erreurs de sur-signalement dans les systèmes de classification ou de détection.

Faux négatif

False Negative describes error in which a model predicts the negative class when the true class is positive.

Caractéristiques clés

• Le modèle prédit la classe négative
• La vraie classe est positive
• Le système ne détecte pas une condition, un événement ou un élément qui est présent

Points d'attention

• Peut masquer des risques réels ou des cas manqués
• Doit être interprété par rapport à la classe positive choisie

Contexte : Particulièrement pertinent lors de l’évaluation des détections manquées dans les systèmes de classification ou de filtrage.

Différences clés

Aspect	False Positive	False Negative
Ce que cela mesure	Un faux positif mesure une erreur où le modèle prédit positif alors que la vraie classe est négative.	Un faux négatif mesure une erreur où le modèle prédit négatif alors que la vraie classe est positive.
Meilleur cas d’usage	Très utile pour comprendre le sur-signalement, les alertes inutiles ou les accusations incorrectes.	Très utile pour comprendre les détections manquées, les conditions négligées ou les événements non détectés.
Mode de défaillance	Le système dit que quelque chose est présent alors que c’est absent.	Le système dit que quelque chose est absent alors que c’est présent.
Sensibilité au seuil	Abaisser un seuil de détection peut augmenter les faux positifs en signalant davantage de cas limites.	Relever un seuil de détection peut augmenter les faux négatifs en manquant davantage de vrais cas positifs.
Erreur fréquente	Appeler toute prédiction erronée un faux positif sans vérifier la vraie classe.	Appeler un cas manqué un faux positif au lieu de reconnaître qu’il s’agit d’un faux négatif.

Note Caesar AI

En pratique, l’erreur grave dépend du cas d’usage. Un faux positif peut être inacceptable dans un contexte, tandis qu’un faux négatif peut être le risque dominant dans un autre.

Notes

Erreurs courantes

Oublier de définir la classe positive avant d’interpréter les erreurs.

Traiter les faux positifs et les faux négatifs comme également dommageables dans tous les cas d’usage.

Optimiser un seuil sans documenter les compromis.

Rapporter l’accuracy sans montrer quel type d’erreur a augmenté.

Quand utiliser

false-positive

Utilisez faux positif lorsqu’un modèle prédit incorrectement la classe positive pour un élément dont la vraie classe est négative. C’est le bon terme pour l’analyse du sur-signalement ou des fausses alertes.

false-negative

Utilisez faux négatif lorsqu’un modèle prédit incorrectement la classe négative pour un élément dont la vraie classe est positive. C’est le bon terme pour l’analyse des détections manquées ou des échecs de détection.

Note de conformité

Le choix des métriques affecte les rapports de validation, les preuves de conformité et l’acceptation du risque. Les dossiers d’assurance de type NIST AI RMF et ISO 42001 doivent expliquer quel type d’erreur est le plus dommageable pour le cas d’usage et comment les seuils ont été choisis.

FAQ

Quelle est la différence simple entre un faux positif et un faux négatif ?+

Un faux positif est une fausse alarme : le modèle dit qu’une condition est présente alors qu’elle ne l’est pas. Un faux négatif est un cas manqué : le modèle ne détecte pas une condition qui est présente.

Quelle erreur est la plus grave ?+

La réponse dépend du cas d’usage et du contexte de risque. Les dossiers de conformité et de validation doivent identifier quel type d’erreur cause le plus de dommage et pourquoi.

Pourquoi la classe positive est-elle importante ?+

Faux positif et faux négatif sont définis par rapport à la classe positive. Sans définir cette classe, les libellés peuvent être mal interprétés.

Consultés récemment

No recently viewed comparisons yet.