問題 No.3513
機械学習における二値分類モデルの性能評価指標に関して、「偽陰性（False Negative）」の定義として正しいものを選択せよ。
【正解の解説】
実際の値が陽性であるデータに対して、モデルが陰性と誤って予測した状態のこと
空港のセキュリティチェックで、本当は危険物を持っている不審者（陽性）を「安全（陰性）」と見逃してしまうスルー現象に例えられます。病気の検査で実際には病気なのに「健康です」と診断されてしまう見逃し（第2種の過誤）であり、実務上は最もリスクが高く恐ろしい予測ミスのパターンです。
スポンサーリンク
【その他の選択肢の解説】
実際の値が陰性であるデータに対して、モデルが陽性と誤って予測した状態のこと
空港の検査で危険物を持っていない無実の旅行者を「怪しい人物」としてアラートを鳴らしてしまう過剰反応（第1種の過誤）に該当します。偽陰性と偽陽性は名前が似ており、試験では「陽性と陰性のどちらを間違えたか」という混同を誘う定番のひっかけとして頻出するので注意が必要です。
実際の値が陽性であるデータに対して、モデルが陽性と正しく予測した状態のこと
予測が間違っている「偽」ではなく、正しく当てられているため「真（True）」と呼ばれる状態です。病気の人を正しく「病気である」と見抜くケースであり、モデルが本来達成すべき理想的な的中結果を表すため、誤り選択肢として配置されています。
実際の値が陰性であるデータに対して、モデルが陰性と正しく予測した状態のこと
こちらも予測が完全に的中しているため「真（True）」に分類される正常な判定結果です。健康な人を正しく「健康である」と判定できたケースであり、エラーを表す「偽陰性」とは意味が全く異なるため、混同しないよう正確に区別する必要があります。