第一種過誤とは、統計的仮説検定や機械学習において、実際には陰性である対象を誤って陽性と判定してしまう誤りのことです。偽陽性とも呼ばれ、本来正しい帰無仮説を棄却してしまう状態を指します。スパムでないメールを誤って迷惑メールと判定するようなケースが該当し、適合率などの評価指標や閾値調整において重要な概念です。
第一種過誤とは
第一種過誤とは、統計的仮説検定や機械学習の二値分類において、実際には「陰性（正常・差がない）」である対象を誤って「陽性（異常・有意である）」と判断してしまう誤りのことです。一般に「偽陽性」とも呼ばれます。
詳しく解説
統計学の検定において、第一種過誤は本来正しい「帰無仮説」を誤って棄却してしまう確率を指します。この誤りを犯す確率は「有意水準」（通常αと表記され、5%や1%などに設定される）によって事前に制御されます。機械学習の二値分類タスクにおいては、「混同行列」における False Positive（誤検知）に該当します。モデルの判定閾値を厳しく設定することで第一種過誤を抑制できますが、見逃しの誤りとの間にはトレードオフが存在するため、モデルの運用目的に応じた適切なバランス調整が不可欠です。
具体例・使われ方
迷惑メールフィルターが、通常の重要な連絡メールを誤ってスパムと判定して隔離してしまう事例が代表的です。また、医療診断AIが健康な受診者に対して病気であると判定するケースや、工場での外観検査システムが良品を誤って不良品と判定してラインから弾いてしまうケースも第一種過誤に該当します。
似た用語との違い
第一種過誤が「誤って陽性と判定する誤り（偽陽性）」であるのに対し、「第二種過誤」は「本来陽性である対象を誤って陰性と判定する誤り（偽陰性・見逃し）」を指します。また、機械学習の評価指標との関係では、第一種過誤を減らして誤検出を抑えることは「適合率」の向上に対応し、第二種過誤を減らして見逃しを抑えることは再現率の向上に対応します。
注意点
第一種過誤を極端にゼロへ近づけようとして判定基準を厳格にしすぎると、第二種過誤（見逃し）が急増する危険性があります。がん検診や不正侵入検知のように見逃しの被害が大きい分野と、スパムフィルターのように誤検知の不便さが大きい分野では許容される過誤の種類が異なるため、ビジネスリスクに応じた閾値設定を行う必要があります。