Table des matières:
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. En classification binaire, deux types ou classes sont analysés par un programme d'apprentissage automatique ou une technologie similaire.
Techopedia 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 résultat positif.
Dans ce type de paradigme, les résultats réussis sont étiquetés comme vrais et les résultats infructueux sont étiquetés comme faux.
Donc, pour fournir un exemple de faux négatifs, vous devez regarder comment la matrice de confusion est configurée. Supposons, par exemple, que vous ayez deux classes à classer - la première est une valeur, disons une, qui est appelée 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 était en fait 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 science des données
