False Negative

Ein False Negative (falsch negativ) tritt auf, wenn ein Modell einen tatsächlich positiven Fall fälschlicherweise als negativ klassifiziert — ein Typ-II-Fehler, der in vielen Anwendungen die gefährlichere Fehlerart ist.

Medizin: Ein Krebsscreening, das einen Tumor übersieht (False Negative), ist potenziell tödlich. Ein falscher Alarm (False Positive) führt zu einer unnötigen Biopsie — unangenehm, aber nicht lebensbedrohlich. Deshalb optimieren medizinische Tests auf hohen Recall: Möglichst kein kranker Patient soll durch das Netz fallen.

Sicherheit: Ein Flughafenscanner, der eine Waffe übersieht, ist ein False Negative mit potenziell katastrophalen Folgen. Ein Fehlalarm (Koffer nochmal durchleuchten) ist akzeptabel.

Betrugserkennung: Ein betrügerischer Kreditkarteneinsatz, der nicht erkannt wird, kostet Geld. Ein False Positive (legitime Transaktion wird blockiert) verärgert den Kunden.

Die Abwägung zwischen False Negatives und False Positives ist keine technische, sondern eine domänenspezifische Entscheidung. Der Schwellenwert des Klassifikators wird verschoben: Niedrigerer Threshold → mehr positive Vorhersagen → weniger False Negatives → aber mehr False Positives. Diese Tradeoff-Kurve visualisiert die ROC-Kurve.

Recall = TP / (TP + FN) misst, wie viele der tatsächlich positiven Fälle erkannt werden. Ein hoher Recall bedeutet wenige False Negatives. Der F1-Score balanciert Recall mit Precision.