第二種過誤とは、統計的仮説検定や機械学習の分類において「本来は検出されるべき事象を誤って見落としてしまう誤り」のことです。例えば、実際に病気である患者を誤って健康と判定してしまう偽陰性が該当します。第一種過誤（誤検出）とのトレードオフ関係にあり、モデルの評価指標や検出力を考慮した調整が不可欠です。
第二種過誤とは
第二種過誤とは、統計的仮説検定や二値分類において「実際には差や効果があるにもかかわらず、誤ってそれがないと判断してしまう誤り」のことです。AIや機械学習の文脈では、検出されるべき対象を見落としてしまう「偽陰性」の状態を指します。
詳しく解説
仮説検定において、帰無仮説が偽であるときにそれを誤って採択してしまう事象を第二種過誤と呼びます。第二種過誤が起こる確率をβ（ベータ）と表し、1からβを引いた値は「検出力」と呼ばれ、モデルや検定が正しく変化や違いを検出できる能力を示します。機械学習の分類タスクでは、過剰に検出する第一種過誤と見落とす第二種過誤の間でトレードオフが発生します。どちらの誤りを優先的に防ぐべきかは、AIを適用する業務のリスクに応じて慎重に設計する必要があります。
具体例・使われ方
例えば、医療診断AIにおいて、実際に病気にかかっている患者に対して「異常なし」と診断してしまうミスが第二種過誤（偽陰性）です。また、製造業の製品検査AIにおいて、不良品を誤って「良品」として出荷してしまう見落としなども代表的な例です。
似た用語との違い
混同されやすい概念として第一種過誤があります。第一種過誤は「実際には差がないのに、誤って差があると判定してしまう誤り（偽陽性）」を指します。これに対して第二種過誤は「実際には差があるのに、それを見落としてしまう誤り（偽陰性）」を指します。
注意点
第二種過誤（見落とし）を防ごうとして判定基準を緩めすぎると、今度は第一種過誤（誤検知）が激増するというトレードオフ関係が存在します。AIモデルの運用時は、適合率や再現率などの評価指標を確認しながら、ビジネスや安全上のリスクに合わせて閾値を適切に設定することが重要です。