統計的仮説検定やAIの機械学習モデルにおいて、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「見逃し」が発生するエラーのことです。
第二種の過誤とは
一言でいうと「実際には異常や効果があるのに、ない（見逃し）と判断してしまう誤り」のことです。
詳しく解説
機械学習や統計的仮説検定において、モデルが下す判定には常に誤りが伴います。そのうち、本来は陽性（異常、スパム、病気など）であるべきデータを、誤って陰性（正常、非スパム、健康など）と判定してしまうエラーが第二種の過誤です。統計学では偽陰性とよばれます。AIの性能評価においては、見逃しが致命的な事故や重大な損失につながる場面で特に重視されます。
具体例・使われ方
例えば、セキュリティの不正検定AIにおいて、実際には不正なアクセスであるにもかかわらず、システムがそれを正常なアクセスと誤認して通してしまうケースが第二種の過誤に該当します。医療診断AIであれば、病気である患者を健康と誤診して見逃すケースです。
似た用語との違い
混同されやすい概念として第一種の過誤があります。第一種の過誤が「実際にはないのに、あると誤判定する（偽陽性・誤検知）」であるのに対し、第二種の過誤は「実際にあるのに、ないと誤判定する（偽陰性・見逃し）」という正反対の誤りです。
注意点
第一種の過誤と第二種の過誤の間にはトレードオフの関係があります。例えば、見逃しを減らそうとしてAIの検出感度を過剰に上げると、今度は誤検知が増加します。そのため、対象とするシステムやビジネスの目的に応じて、許容できるエラーのバランスを慎重に設計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21日 09:15