偽陰性率 (G検定)

1. 定義と概要

偽陰性率とは、実際には陽性であるデータ全体のうち、モデルや検査が誤って陰性と判定してしまった件数の割合のことです。計算式はFN／（FN+TP）で表されます。式に登場する2つの記号は、それぞれ次の件数を指します。

記号	何の件数か
TP（真陽性）	陽性と予測して実際も陽性だった、正しく検出できたケース
FN（偽陰性）	実際は陽性なのに誤って陰性と判定してしまう、個々の見逃し

分母にあたるのは「実際に陽性であるデータの総数」で、そこにどれだけ見逃しが含まれるかを比率にしたものが偽陰性率にあたります。たとえば、がん検診で実際にがんがある100人のうち5人を陰性と誤判定した場合、偽陰性率は5パーセント（0.05）になります。

データをいくつかのカテゴリーに振り分けるモデル（分類モデル）の判定結果を4つの区分に整理する表（混同行列）のうち、偽陰性は「本来検出すべきものを見逃す」誤りの区分にあたります。

偽陰性率は、この偽陰性の件数を実際の陽性データ数（偽陰性と真陽性を合わせた数）で割って比率にしたものです。割合の形にすることで、件数のままでは比較しづらいデータ数の異なる検査どうしや、期間をまたいだ実績の比較がしやすくなります。混同行列の4区分そのものの詳しい説明は、別のテーマとして扱われるため、ここでは立ち入りません。

2. 試験対策ポイント

偽陰性率の計算式FN／（FN+TP）で、分母に置かれるのは「実際の陽性データ数」です。分類モデルの評価には、全データのうち正しく判定できた割合を示す指標（正解率）や、陽性と予測した件のうち実際に陽性だった割合を示す指標（適合率）のように、分母が異なる指標がいくつも登場します。

これらと偽陰性率を取り違えないことが、まず整理したい論点になります。式の形が似ていても、どのデータ集合を100とみなすかで意味が変わってくる点に注意が必要です。

偽陰性率と対になるのが、真陽性率（実際に陽性のデータのうち、正しく陽性と検出できた割合で、再現率や感度とも呼ばれます）です。両者は同じ「実際の陽性データ」を分母にしながら、正しく検出できた割合か見逃した割合かを表す点で、裏表の関係にあります。偽陰性率＝1－真陽性率という式で表され、片方の値が分かればもう片方も自動的に求まる関係です。

医療診断やがん検診、不正検知のように見逃しの代償が大きい領域では、偽陰性率を低く抑えることが優先されます。ただし、陽性と陰性を分ける判定の境界となる数値（閾値）を動かして偽陰性率を下げようとすると、多くの場合は偽陽性率（実際は陰性なのに誤って陽性と判定してしまう割合で、誤報にあたります）が増えてしまいます。

一方を良くすると他方が悪くなる、両立しにくい関係（トレードオフ）が生じる点も、あわせて見ておきたいところです。どちらの誤りをどこまで許容するかは、指標だけでは決まらず、その分野での損失の大きさから判断されます。

3. 関連概念との比較・相違点

混同しやすい3つの指標は、何を分母に置くかで見分けられます。

指標	分母に置く集合	表すもの
偽陰性率	実際に陽性のデータ	見逃した割合
真陽性率	実際に陽性のデータ	正しく検出できた割合
偽陽性率	実際に陰性のデータ	誤報の割合

偽陽性率との最大の違いは、どちらの誤りを許容するかという判断の軸にあります。偽陰性率は見逃しの多さを、偽陽性率は誤報の多さを表し、分母もそれぞれ実際の陽性データ数と実際の陰性データ数で異なります。見逃しを避けたいのか誤報を避けたいのかによって、どちらの指標を優先するかが変わる点です。

真陽性率とは、足して1になる裏表の関係で結ばれています。同じ「実際の陽性データ」を分母にしながら、正しく検出できた割合を表すのが真陽性率、見逃した割合を表すのが偽陰性率という位置づけです。片方が上がればもう片方は必ず下がるため、両方を同時に高めることはできません。

得られたデータの差が偶然によるものか意味のある差かを判断する統計の手法（統計的仮説検定）における第二種の過誤（本当は差があるのに「差がない」と見逃してしまう誤り）とも対応します。仮説検定では、本来検出すべき差を見逃す確率をβという記号で表しますが、これは偽陰性率と同じ「見逃しを確率で捉える」発想に立つ考え方です。

統計学の文脈とAIモデルの評価という文脈の違いはあるものの、根っこにある考え方は共通しています。見逃しをどう数値で扱うかという点で、両者は同じ枠組みに立っています。

4. ビジネス・実務での活用シナリオ

医療・がん検診の現場では、実際に病気がある人を陰性と見逃す偽陰性率を低く抑えることが優先されます。見逃しは治療の遅れに直結するため、偽陽性率が多少増えて精密検査を受ける人が増えたとしても、それを許容する考え方です。数値目標として偽陰性率の上限を定め、精度改善の進み具合を追跡する運用も見られます。

金融や保険の不正検知では、不正取引を見逃す偽陰性率の高さが直接的な金銭損失につながります。そのため、正常な取引を誤って止めてしまう偽陽性がある程度発生しても、偽陰性率を抑える方向へ検知の基準を設計するのが実務上の判断です。取引件数が膨大な業態では、わずかな偽陰性率の差が損失額に大きく影響します。

製造業の外観検査では、不良品を良品と誤判定する偽陰性率の高さが出荷後のクレームや事故につながります。検査基準を厳しくして偽陰性率を低く保つ運用がとられるのは、後工程や消費者に及ぶ損害の大きさを踏まえた判断です。ラインの検査工程ごとに許容できる偽陰性率の基準を分けて運用する例もあります。

5. 要点まとめ

• 偽陰性率は実際に陽性であるデータのうち誤って陰性と判定した割合で、計算式はFN／（FN+TP）です。
• 真陽性率と足すと1になる補数の関係にあり、片方の値からもう片方を導けます。
• 医療診断や不正検知など見逃しの損失が大きい領域で偽陰性率を低く抑えることが重視され、その代償として偽陽性率が上がるトレードオフを伴います。

6. 確認問題