KNOWECON WIKI

ARTICLE

假负例

假负例 (False Negative) 假负例 (False Negative, FN)，又称假阴性或第二类错误 (Type II Error)，是二元分类与统计假设检验中的核心概念。它指真实状态为"正"（阳性、异常、存在效应）的样本被模型或检验错误地判定为"负"的情形——通俗而言，就是"漏报"：该发现的没发现。 假负例与假正例、真正例、真负例共同构成混淆

浏览 0 更新 2025-10-27

假负例 (False Negative)

假负例 (False Negative, FN)，又称假阴性或第二类错误 (Type II Error)，是二元分类与统计假设检验中的核心概念。它指真实状态为"正"（阳性、异常、存在效应）的样本被模型或检验错误地判定为"负"的情形——通俗而言，就是"漏报"：该发现的没发现。

假负例与假正例、真正例、真负例共同构成混淆矩阵 (Confusion Matrix) 的四个基本单元，是评估分类器性能的出发点。

数学定义与混淆矩阵

设有二元分类问题，类别标签为正 (Positive, PP) 和负 (Negative, NN)。定义预测结果 y^∈{0,1}\hat{y} \in \{0, 1\} 与真实标签 y∈{0,1}y \in \{0, 1\}。则假负例计数为：

FN=∑i=1nI[yi=1∧y^i=0]\text{FN} = \sum_{i=1}^{n} \mathbb{I}[y_i = 1 \land \hat{y}_i = 0]

混淆矩阵完整列出四类结果：

预测正预测负真实正TP (真正例)FN (假负例)真实负FP (假正例)TN (真负例)\begin{array}{c|cc} & \text{预测正} & \text{预测负} \\ \hline \text{真实正} & \text{TP (真正例)} & \text{FN (假负例)} \\ \text{真实负} & \text{FP (假正例)} & \text{TN (真负例)} \end{array}

其中 FN 位于右上角：真实为正却被预测为负，代表了分类器的"遗漏"。

与统计假设检验的关系

在Neyman-Pearson引理框架下的假设检验中，假负例对应第二类错误：当备择假设 H1H_1 实际为真时却未能拒绝原假设 H0H_0。犯第二类错误的概率记为 β\beta：

β=P(不拒绝 H0∣H1 为真)\beta = P(\text{不拒绝 } H_0 \mid H_1 \text{ 为真})

检验的统计功效 (Power) 定义为 1−β1 - \beta，即正确拒绝错误原假设的概率——功效越高，假负例概率越低。

关键衍生指标

假负例的数量直接影响多个核心评价指标：

假负例率 (FNR) 或称漏报率：

FNR=FNTP+FN=1−Recall\text{FNR} = \frac{\text{FN}}{\text{TP} + \text{FN}} = 1 - \text{Recall}

召回率 (Recall) / 灵敏度 (Sensitivity) / 真阳率 (TPR)：

Recall=TPTP+FN\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}

Recall 衡量所有真实正例中被正确识别的比例。FN 越大，Recall 越低——这是假负例最直接的代价度量。

F1分数：精确率与召回率的调和平均，综合考量 FP 与 FN：

F1=2⋅Precision⋅RecallPrecision+RecallF_1 = \frac{2 \cdot \text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}

F-beta分数 则通过参数 β\beta 调节 FP 与 FN 的相对权重：

Fβ=(1+β2)⋅Precision⋅Recallβ2⋅Precision+RecallF_\beta = (1 + \beta^2) \cdot \frac{\text{Precision} \cdot \text{Recall}}{\beta^2 \cdot \text{Precision} + \text{Recall}}

当 β>1\beta > 1 时 Recall 权重更大，即假负例被视为比假正例代价更高——这在医学筛查中尤为典型。

假负例与假正例的权衡

实际应用中，假负例与假正例存在内在的权衡关系。降低分类阈值可减少 FN 但会增加 FP；提高阈值则反之。这种Precision-Recall张力通过ROC曲线和Precision-Recall曲线可视化。

ROC曲线以 TPR (1 - FNR) 为纵轴、FPR 为横轴，曲线下面积AUC衡量整体分类能力。改变决策阈值沿曲线移动，直观展示 FN-FP 替换关系。

典型场景与代价不对称

不同领域中假负例的代价极不对称：

  • 医学诊断：漏诊癌症（FN）的代价远高于将健康人误判为阳性（FP），因为前者延误治疗可能致命。故此场景强调高 Recall，即使牺牲部分 Precision。
  • 垃圾邮件过滤：FN 意味着垃圾邮件进入收件箱——通常可容忍；FP（重要邮件被拦截）代价更大，因此倾向于保守的检测阈值。
  • 金融欺诈检测：漏掉欺诈交易（FN）导致直接经济损失；误拦截正常交易（FP）则损害客户体验。两者需根据业务损失函数权衡。
  • 刑事司法：从无罪推定原则出发，将无辜者定罪（FP 的一种映射）被视为比放纵真凶（FN）更不可接受——"宁纵勿枉"本质上是对假正例设定了极高的惩罚权重。

降低假负例的策略

实际建模中降低 FN 的常用方法包括：(1) 调整决策阈值——降低正类概率阈值以使更多样本被判为正；(2) 代价敏感学习——在损失函数中对 FN 施加更高惩罚权重；(3) 重采样——对正类样本（少数类）过采样或对负类欠采样，改善类别不平衡；(4) 集成方法——如Boosting通过聚焦难分类样本间接关注 FN；(5) 收集更多特征——提升模型对正类模式的识别能力。选择何种策略取决于具体领域的代价结构与数据特性。