False Positive und False Negative sind die beiden grundlegenden Fehlertypen einer Klassifikation. Sie beschreiben, wann ein Modell eine Vorhersage abgibt, die neben der Wahrheit liegt - und in welche Richtung.
Die vier Fälle der Confusion Matrix
Bei einem binären Klassifikationsproblem mit den Klassen "positiv" und "negativ" gibt es genau vier Kombinationen aus Vorhersage und Wirklichkeit:
- True Positive (TP): Modell sagt "positiv", tatsächlich positiv - richtig erkannt.
- True Negative (TN): Modell sagt "negativ", tatsächlich negativ - richtig verworfen.
- False Positive (FP): Modell sagt "positiv", tatsächlich negativ - Fehlalarm.
- False Negative (FN): Modell sagt "negativ", tatsächlich positiv - übersehener Fall.
Diese 2×2-Tabelle heißt Confusion Matrix und ist die Grundlage fast aller Klassifikations-Metriken, darunter Accuracy als Anteil der richtig vorhergesagten Fälle an allen Fällen.
Beispiele aus der Praxis
- Spam-Filter: Ein False Positive wirft eine legitime E-Mail in den Spam-Ordner (ärgerlich), ein False Negative lässt Spam im Posteingang landen (gefährlich).
- Medizinischer Test: Ein False Positive meldet eine Krankheit, die nicht vorliegt (Angst, unnötige Folgeuntersuchungen), ein False Negative übersieht eine echte Erkrankung (unter Umständen lebensgefährlich).
- Sicherheitswarnungen: Ein Intrusion-Detection-System mit vielen False Positives wird zur "Alarm-Müdigkeit" führen; ein False Negative kann einen echten Angriff übersehen.
Der Trade-off
Die beiden Fehlertypen lassen sich nicht unabhängig beliebig senken: Eine strengere Entscheidungsschwelle reduziert False Positives, erhöht aber False Negatives - und umgekehrt. Welches Verhältnis optimal ist, hängt von den Kosten der Fehler ab. Beim medizinischen Screening wählt man bewusst viele False Positives in Kauf, um möglichst keine False Negatives zu riskieren; beim Spam-Filter tendiert man in die umgekehrte Richtung.
Modelle wie k-Nearest-Neighbors oder Entscheidungsbäume erzeugen ebenfalls False Positives und False Negatives - mit der Confusion Matrix lassen sich beliebige Klassifikatoren sowie Regressionsmodelle bewerten. Das Konzept gehört zu den Grundlagen des überwachten Lernens und damit der maschinellen Lernens-Praxis.