統計的仮説検定やAIの性能評価において、実際には偽である帰無仮説を誤って採択してしまう、すなわち「本当は存在しない・効果がない」と見落としてしまう誤りのことです。
第2種の誤りとは
第2種の誤りとは、AIの識別モデルや統計的仮説検定において、本当は異常や効果があるのに「何もない（正常）」と見逃してしまう判定ミスのことです。
詳しく解説
統計的仮説検定や機械学習の性能評価では、現実の状態とモデルによる予測結果の間に生じるずれを「第1種の誤り」と「第2種の誤り」の2種類に分類して評価します。第2種の誤りは、偽陰性とも呼ばれ、異常や疾患を見落とすリスクを表します。AIの画像認識や医療診断において、病気である患者を「健康である」と判定してしまうケースがこれに該当します。モデルの感度を高めることで第2種の誤りを減らすことができますが、逆に誤検知が増えるトレードオフの関係にあります。
具体例・使われ方
医療用AIが実際には病気の兆候がある画像を「正常」と判定して見逃してしまうケースや、不正検知システムが実際には不正な取引であるにもかかわらず「正常な取引」として通過させてしまうケースが挙げられます。
似た用語との違い
第1種の誤りは、実際には何もない（正常な）状態であるのに、誤って「異常がある」と検知してしまう誤り（偽陽性）です。これに対し、第2種の誤りは、本当はある異常を見逃してしまう誤り（偽陰性）である点が異なります。
注意点
第2種の誤りを極端に減らそうとして判定基準を緩めると、今度は第1種の誤りが増加するというトレードオフが生じます。AIモデルの運用目的や、見逃しがもたらすリスクの大きさに応じて、適切なバランスで評価指標を設定する必要があります。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月22日 05:30