Beim maschinellen Lernen treten Fehler 2. Typs (auch als falsch-negative Ergebnisse bezeichnet) auf, wenn ein Modell fälschlicherweise vorhersagt, dass eine bestimmte Bedingung oder ein bestimmtes Attribut nicht vorhanden ist, obwohl dies tatsächlich der Fall ist. Beispielsweise ist ein medizinisches Diagnosemodell möglicherweise nicht in der Lage, das Vorhandensein oder Nichtvorhandensein einer Krankheit bei einem Patienten festzustellen.

Fehler 2. Typs können bei Anwendungen des maschinellen Lernens ein ernstes Problem darstellen, da die Folgen falsch-negativer Ergebnisse kostspielig oder schädlich sein können. Beispielsweise kann ein Modell, das betrügerische Aktivitäten bei Finanztransaktionen nicht erkennt, zu erheblichen finanziellen Verlusten führen.

Um das Risiko von Fehlern des Typs 2 beim maschinellen Lernen zu verringern, können verschiedene Techniken eingesetzt werden, beispielsweise:

• Verbessern Sie die Empfindlichkeit des Modells:Dies geschieht durch die Absenkung der Entscheidungsschwelle für positive Vorhersagen. Dies kann zu einer höheren Rate an echten Positivergebnissen führen, kann aber auch die Anzahl der falschen Positivergebnisse erhöhen.
• Erweiterte Trainingsdaten:Die Trainingsdaten werden um weitere Beispiele weniger beliebter Kategorien ergänzt. Dies kann dem Modell dabei helfen, Merkmale weniger beliebter Kategorien effektiver zu erlernen und so falsche Negativergebnisse zu reduzieren.