偽陰性（False Negative）とは、機械学習の二値分類において、実際には「陽性（正）」である対象を、モデルが誤って「陰性（負）」と予測してしまう判定エラーのことです。病気の検査で「罹患している（陽性）」患者を「健康（陰性）」と誤診するケースなどが該当し、見落としによる重大なリスクにつながるため、評価指標の再現率などで重要視されます。
偽陰性とは
偽陰性とは、実際には陽性（判定したい対象が存在する状態）であるにもかかわらず、AIや機械学習モデルが誤って陰性（対象が存在しない状態）と予測・判定してしまう状態を指します。
詳しく解説
機械学習における分類タスク（特に二値分類）では、予測結果の妥当性を評価するために混同行列が用いられます。この中で、予測が外れた（False）判定のうち、本来は正（Positive）であるデータを誤って負（Negative）と予測してしまった割合や件数が偽陰性です。医療画像診断での病変の見落としや、クレジットカードの不正利用検知での見逃しなどがこれに該当します。偽陰性を減らすことは、見落としを防ぐための評価指標である再現率（Recall）の向上に直結するため、人命やセキュリティに関わるシステムでは極めて重要な指標となります。
具体例・使われ方
例えば、ウイルス検査AIにおいて、実際にウイルスに感染している患者のデータを入力した際、AIが「感染していない（陰性）」と判定した場合が偽陰性です。また、スパムメールフィルタにおいて、重要な業務メール（陽性）を誤ってスパム（陰性）とみなして排除するのではなく、逆に本物のスパムメール（陽性）を通常のメール（陰性）と判断して受信トレイに届けてしまう現象も偽陰性の一例です。
似た用語との違い
混同されやすい概念に「偽陽性」があります。偽陽性は、実際には陰性（対象ではない）であるものを、誤って陽性と予測することです。例えば、健康な人を病気と判定するのが偽陽性であり、病気の人を健康と判定するのが偽陰性です。また、正しく予測できた場合は「真陽性」や「真陰性」と呼びます。偽陰性を防ぐ指標が再現率であるのに対し、偽陽性を防ぐ指標は適合率（Precision）と呼ばれ、これらはトレードオフの関係にあります。
注意点
偽陰性を極端に減らそうとして判定基準（閾値）を甘くすると、今度は実際には陰性であるものまで陽性と判定してしまうため、偽陽性が増加するというジレンマが生じます。システムの特性に応じて、偽陰性を防ぐべきか（再現率を重視）、偽陽性を防ぐべきか（適合率を重視）のバランスを考慮し、両者の調和を示すF値などを活用して総合的にモデルを評価する必要があります。