Сравнение false positive и false negative. Разберите, какой тип ошибки ошибочно помечает отсутствующее условие как присутствующее, а какой пропускает реально присутствующее условие.
Краткий вердикт: Используйте false positive для ошибочного positive flag; используйте false negative для ошибочного недетектирования реального positive condition.
False Positive describes error in which a model predicts the positive class when the true class is negative.
Контекст: Наиболее уместно при анализе over-flagging errors in classification or detection systems.
False Negative describes error in which a model predicts the negative class when the true class is positive.
Контекст: Наиболее уместно при оценке missed detections in classification or screening systems.
| Аспект | False Positive | False Negative |
|---|---|---|
| Что измеряет | False positive — ошибка, когда модель predicts positive, but true class is negative. | False negative — ошибка, когда модель predicts negative, but true class is positive. |
| Лучший сценарий | Для понимания over-flagging, unnecessary alerts или incorrect accusations. | Для понимания missed detections, overlooked conditions или undetected events. |
| Сбойный режим | Система говорит, что something is present, when it is absent. | Система говорит, что something is absent, when it is present. |
| Чувствительность к порогу | Lowering threshold may increase false positives by flagging more borderline cases. | Raising threshold may increase false negatives by missing more real positives. |
| Распространённая ошибка | Называть any wrong prediction false positive without checking true class. | Называть missed case false positive instead of false negative. |
На практике серьёзность ошибки зависит от use case. False positive может быть unacceptable в одном контексте, а false negative — dominant risk в другом.
Не определить positive class перед interpretation errors.
Считать false positives и false negatives equally harmful in every use case.
Optimizing threshold without documenting trade-offs.
Reporting accuracy without showing which error type increased.
Используйте False Positive, когда модель неправильно predicts positive class для элемента, whose true class is negative. Это термин для over-flagging или false alarm analysis.
Используйте False Negative, когда модель неправильно predicts negative class для элемента, whose true class is positive. Это термин для missed detection или failure-to-detect analysis.
Metric selection влияет на validation reports, conformity evidence и risk acceptance. NIST AI RMF и ISO 42001-style assurance records должны объяснять, какой error type вреднее для use case и как выбран threshold.
False positive — ложная тревога: модель говорит, что условие есть, когда его нет. False negative — пропущенный случай: модель не детектирует условие, которое есть.
Зависит от use case and risk context. Compliance and validation records should identify which error type causes greater harm and why.
False positive and false negative defined relative to positive class. Без этого labels can be misread.
No recently viewed comparisons yet.