第一種の錯誤とは、統計的仮説検定において、実際には偽である帰無仮説を誤って棄却してしまうエラーのことです。AIのモデル評価や異常検知などの分野では、正常なものを異常だと誤検知してしまう「偽陽性」と同義として扱われます。
第一種の錯誤とは
第一種の錯誤とは、統計的仮説検定において「実際には起きていない（効果がない、または異常がない）にもかかわらず、起きた（効果がある、または異常がある）と誤って判断してしまう誤り」のことです。
詳しく解説
統計的仮説検定や機械学習の性能評価では、帰無仮説（差がない、効果がない、正常であるといった前提）を基準に判断を下します。このとき、本来なら採択すべき帰無仮説を誤って棄却してしまうリスクが存在します。この確率を統計学では有意水準（アルファ水準）と呼び、通常は5%などの低い値に設定してコントロールされます。AIのモデル開発においては、モデルの判定精度の信頼性を担保するうえで、この錯誤がどの程度発生するかを把握・抑制することが非常に重要です。
具体例・使われ方
具体的なAIの利用例としては、迷惑メールフィルターが挙げられます。実際には正常なメールであるにもかかわらず、誤って迷惑メールだと判定してブロックしてしまう現象は、第一種の錯誤（偽陽性）に該当します。また、製造ラインの不良品検知AIにおいて、正常な製品を不良品と誤認して破棄してしまうケースも同様です。
似た用語との違い
混同されやすい概念として「第二種の錯誤（偽陰性）」があります。第一種の錯誤が「ないものをあると誤認するエラー（過剰検出）」であるのに対し、第二種の錯誤は「本当はあるのになかったと見逃すエラー（検出漏れ）」です。実務では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
第一種の錯誤の発生率を無理にゼロにしようと判定基準を厳しくしすぎると、今度は見逃しである第二種の錯誤が増加するというトレードオフが発生します。AIの活用目的や誤検知がもたらすビジネス的・社会的リスクの大きさを考慮しながら、許容できるエラーのバランスを慎重に設計することが求められます。