第1種の誤りとは、統計的仮説検定において、実際には正しい帰無仮説を誤って棄却してしまう誤りのことです。AIや機械学習の性能評価において偽陽性と同意義として扱われ、モデルが偽りのアラートを出すリスクを示します。
第1種の誤りとは
第1種の誤りとは、統計的仮説検定において「本当は正しい帰無仮説を誤って間違いだと判断（棄却）してしまうエラー」のことです。AIの文脈では、偽陽性（False Positive）と同義であり、実際には存在しない異常や疾患を検知してしまう誤検知を指します。
詳しく解説
統計的仮説検定や機械学習モデルの評価では、何らかの事象が存在しないという「帰無仮説」と、存在する（または意味がある）という「対立仮説」を設定します。第1種の誤りが発生する確率は、統計学では有意水準（アルファ水準）と呼ばれ、通常は事前に5%や1%といった低い値に設定されます。AIにおいては、例えばスパムではない通常のメールをスパムと判定してしまうケースや、健康な人を病気と誤診してしまうケースがこれに該当します。モデルの感度を上げすぎて閾値を下げると、第1種の誤りが増加する傾向があります。
具体例・使われ方
医療AIによる画像診断において、実際にはガンなどの病変がない健康な患者の画像に対して「病変あり（陽性）」と判定してしまうケースが挙げられます。また、セキュリティシステムにおいて、侵入者がいない平穏な状態であるにもかかわらず「不審者を検知した」と警報を鳴らしてしまう誤作動も第1種の誤りの具体例です。
似た用語との違い
第1種の誤りが「実際には正しい帰無仮説を誤って棄却する（偽陽性）」であるのに対し、第2種の誤りは「実際には誤っている帰無仮説を誤って採用してしまう（偽陰性・見逃し）」という違いがあります。これらはトレードオフの関係にあり、一方を減らそうとするともう一方が増えやすくなります。
注意点
第1種の誤りを完全にゼロにしようとして有意水準を極端に厳しく設定すると、今度は実際におきた異常や重要なシグナルを見逃すリスク（第2種の誤り）が高まります。そのため、利用するドメインの特性に合わせて、誤検知と見逃しのどちらをより避けるべきか慎重に閾値を調整する必要があります。