假陰性（False Negative）是什麼？

模型預測為陰性（負例），但實際上為陽性（正例）的錯誤分類結果。

假陰性（False Negative，FN）是評估分類模型時必須深入理解的錯誤類型之一，與假陽性（False Positive，FP）、真陽性（True Positive，TP）、真陰性（True Negative，TN）共同構成混淆矩陣（Confusion Matrix）的四個象限。

定義與混淆矩陣

在二元分類任務中，模型對每個樣本做出陽性（Positive）或陰性（Negative）的預測。假陰性指的是：

• 實際標籤（Ground Truth）= 陽性
• 模型預測（Prediction）= 陰性

也就是說，模型「漏掉了」一個真正的陽性案例。

混淆矩陣結構：

              預測陽性    預測陰性
實際陽性   TP（真陽性） FN（假陰性）
實際陰性   FP（假陽性） TN（真陰性）

相關評估指標

假陰性直接影響以下指標：

• 召回率（Recall / Sensitivity）= TP / (TP + FN)：代表模型找出所有實際陽性的比例。假陰性越多，召回率越低。
• F1 Score = 2 × (Precision × Recall) / (Precision + Recall)：精確率與召回率的調和平均，假陰性增加會間接降低 F1。
• 假陰性率（False Negative Rate, FNR）= FN / (FN + TP)：即 1 - Recall，代表漏偵的比例。

假陰性 vs 假陽性的取捨

在現實應用中，假陰性與假陽性往往存在取捨關係（Trade-off）。調整決策閾值（Decision Threshold）可以影響兩者的比例：

• 降低閾值 → 更多樣本被預測為陽性 → 假陰性減少，但假陽性增加
• 提高閾值 → 更保守的陽性預測 → 假陽性減少，但假陰性增加

這種取捨可透過 ROC 曲線（Receiver Operating Characteristic Curve）和 PR 曲線（Precision-Recall Curve）進行視覺化分析。

高代價假陰性的應用場景

在某些領域，假陰性的代價遠高於假陽性，因為「漏偵」會造成嚴重後果：

1. 醫療診斷：將癌症患者誤判為健康（假陰性）可能導致延誤治療，後果嚴重。模型通常會設定較低的陽性閾值，以提高召回率，即使代價是增加假陽性（多做不必要的複診）。

2. 詐騙偵測（Fraud Detection）：漏偵真實詐騙交易（假陰性）可能造成財務損失；多攔正常交易（假陽性）則影響用戶體驗，兩者需要根據業務需求平衡。

3. 垃圾郵件過濾：將垃圾郵件放入收件匣（假陰性）令使用者困擾；將正常郵件誤入垃圾匣（假陽性）則可能漏掉重要信件，後者代價通常更高，因此過濾器偏向保守。

4. 自動駕駛障礙物偵測：漏偵行人（假陰性）可能引發事故，代價遠高於多觸發剎車（假陽性）。

5. 工廠瑕疵偵測：漏偵缺陷品流入市場（假陰性）的商譽與法律風險通常大於誤判良品（假陽性）的浪費成本。

如何降低假陰性

• 降低決策閾值：最直接的方法，使模型對陽性預測更積極。
• 使用不對稱損失函數（Asymmetric Loss）：訓練時對假陰性賦予更高的懲罰權重（如 Focal Loss、加權交叉熵）。
• 處理類別不平衡（Class Imbalance）：當正類樣本稀少時，假陰性容易增加。可透過過採樣（SMOTE）、欠採樣或類別權重調整來緩解。
• 增強訓練數據中的正例：蒐集更多陽性樣本、使用資料增強（Data Augmentation）。
• 集成學習（Ensemble Methods）：結合多個模型的預測，降低個別模型的假陰性。

與假陽性的概念對比

假陽性（False Positive）是模型預測為陽性但實際為陰性的錯誤，影響精確率（Precision）。假陰性影響召回率。兩者互相制衡，在設計模型評估策略時需要根據業務情境決定哪種錯誤代價更高，並以此為導向選擇合適的指標與閾值。