Définition - Que signifient les faux négatifs?
Les faux négatifs sont l'un des quatre composants d'une matrice de confusion classique pour la classification binaire. Dans la classification binaire, deux types ou classes sont analysés par un programme d'apprentissage automatique ou une technologie similaire.
Definir Tech explique les faux négatifs
L'idée avec la matrice de confusion est que les ingénieurs ont en main les valeurs réelles des données de test. Ensuite, ils exécutent le programme d'apprentissage automatique, et il fait ses prédictions. Si la prédiction correspond à ce qui est connu, c'est un résultat positif. Si ce n'est pas le cas, ce n'est pas un succès.
Dans ce type de paradigme, les résultats positifs sont étiquetés comme vrais, et les résultats infructueux sont étiquetés comme faux.
Donc, pour donner un exemple de faux négatifs, vous devez regarder comment la matrice de confusion est mise en place. Supposons, par exemple, que vous ayez deux classes à classer - la première est une valeur, disons une, qui s'appelle la classe numéro un ou classe positive. L'autre résultat est un zéro, que nous pouvons appeler la classe numéro deux ou classe négative.
Dans ce cas, un faux négatif serait un résultat où le programme d'apprentissage automatique devine un zéro, mais le résultat est en fait un un.
Ce type de construction est largement utilisé dans divers types de projets d'apprentissage automatique.
Cette définition a été écrite dans le contexte de la Data Science