Параллельное сравнение Доля ложноположительных результатов и Доля ложноотрицательных результатов. Оно объясняет, чем ошибочная маркировка фактически отрицательных случаев отличается от пропуска фактически положительных случаев при оценке классификации.
Краткий вердикт: Используйте доля ложноположительных результатов, когда важны ошибочные тревоги; используйте доля ложноотрицательных результатов, когда важны пропущенные положительные случаи.
False Positive Rate describes proportion of actual negative examples that a model incorrectly predicts as positive.
Контекст: Наиболее уместно, когда оценка системы где ошибочная маркировка отрицательных случаев создаёт стоимость, нагрузка, или вред.
False Negative Rate describes proportion of actual positive examples that a model incorrectly predicts as negative.
Контекст: Наиболее уместно, когда неспособность обнаружить истинно положительный случай создаёт безопасности, комплаенс, или операционные риск.
| Аспект | False Positive Rate | False Negative Rate |
|---|---|---|
| Что измеряет | Доля ложноположительных результатов measures how often фактический отрицательные случаи являются incилиrectly предсказан as положительный. | Доля ложноотрицательных результатов measures how often фактический положительные случаи являются incилиrectly предсказан as отрицательный. |
| Best use case | Используйте это, когда ложный alarms, wrongful flags, или ненужный вмешательства являются стоимостьly. | Используйте это, когда missed положительные случаи, unобнаруживается сценарии, или безопасности failures являются стоимостьly. |
| Тип отказа | The failure mode is over-flagging отрицательный сценарии as if y were положительный. | The failure mode is under-обнаружение положительный сценарии и рассмотрение m as отрицательный. |
| Чувствительность к порогу | Lowering классификация порог может increase ложный положительные случаи и raise доля ложноположительных результатов. | Raising порог может increase missed положительные случаи и raise доля ложноотрицательных результатов. |
| Распространённая ошибка | Распространённая ошибка — optimizing для low FPR без checking wher система misses too mлюбой положительные случаи. | Распространённая ошибка — optimizing для low FNR без checking нагрузка или вред от increased ложный положительные случаи. |
На практике, ложный положительные случаи и ложный отрицательные случаи являются policy choices as much as модель statistics. Teams должен decide который errили is более вредful beдляe tuning пороги.
Repилиting one errили rate без или
Choosing пороги only для агрегированный perдляmance а не вред компромиссы
Ignилиing class imбаланс и базовые частоты когда интерпретация errили метрики
Используйте Доля ложноположительных результатов когда governance-вопрос is how often система wrongly flags отрицательный сценарии. It is impилиtant in скрининг, модерация, мошенничество, и enдляcement контекстs где over-flagging может создавать вред.
Используйте Доля ложноотрицательных результатов когда key риск is failing to identify фактический положительные случаи. It is impилиtant in безопасности, security, медицинский, и комплаенс обнаружение tasks где missed сценарии может be стоимостьly.
Metric selection affects valiданныеion repилиts, риск acceptance, и claims made to пользователи или regulatилиs. High-impact AI системы должен документировать both types of errили и explain why выбранная пороги являются acceptable для используйте контекст.
Sometimes, но re is often компромисс depending on модель и порог. The right баланс зависит on стоимость of each errили type.
It зависит on вред модель. In some системы missed положительные случаи являются более dangerous, тогда как in илиs ложный accusations или ненужный вмешательства являются более вредful.
Document данныеset, порог, баланс классов, errили rates, и операционные причина для принятие выбранная компромисс. This makes valiданныеion доказательства easier to проверка.
No recently viewed comparisons yet.