第一種の過誤とは、統計的仮説検定において「本当は差や効果がない」にもかかわらず誤って「差や効果がある」と判定してしまうエラーです。機械学習の偽陽性に相当し、無実のものを誤って陽性と判断するリスクを指します。発生確率は有意水準で制御されますが、これを抑えすぎると見逃しの誤り（第二種の過誤）が増加するトレードオフが存在します。
第一種の過誤とは
第一種の過誤とは、統計的仮説検定において「本当は差や効果がない」にもかかわらず、「差や効果がある」と誤って判定してしまうエラーのことです。
詳しく解説
統計的データ分析や機械学習のモデル評価では、帰無仮説（差がないという仮説）を立てて検証を行います。第一種の過誤は、この帰無仮説が真であるにもかかわらず誤って棄却してしまう現象であり、機械学習や識別問題における偽陽性（False Positive）に対応します。分析において第一種の過誤を犯す確率の許容限度は有意水準と呼ばれ、一般的に5%や1%などの値が設定されます。このエラーを抑えようとすると、逆に差があるのに見逃してしまうエラーが増えるというトレードオフの関係が存在するため、仮説検定やモデル構築では適切なバランス設計が極めて重要となります。
具体例・使われ方
例えば、スパムメールの検出モデルにおいて、通常の重要なメールを誤ってスパム（迷惑メール）と判定してしまうケースが挙げられます。また、医療の診断モデルにおいて、健康な人を誤って病気であると判定するケースも第一種の過誤に該当します。
似た用語との違い
対比される概念として第二種の過誤があります。第一種の過誤が「実際にはない効果を誤って検知する（偽陽性）」のに対し、第二種の過誤は「実際にはある効果を見逃してしまう」という違いがあります。データ分析や対立仮説の検証においては、両方のリスクを同時にゼロにすることはできないため、問題の目的に応じてどちらの過誤をより厳しく抑制すべきかを判断します。
注意点
第一種の過誤を防ぐために有意水準を厳しく設定しすぎると、本当に必要な検出を見逃す第二種の過誤の発生率が高まります。そのため、AIモデルや検定設計では単にエラー率を極小化するだけでなく、ビジネスや医療現場における「誤検知（偽陽性）」と「見逃し」のコスト比較に基づいて適切に閾値を調整することが不可欠です。