Dans l'apprentissage automatique, les erreurs de type 2 (également appelées faux négatifs) se produisent lorsqu'un modèle prédit à tort qu'une condition ou un attribut spécifique n'existe pas alors qu'il existe réellement. Par exemple, un modèle de diagnostic médical peut ne pas être en mesure de détecter la présence ou l’absence d’une maladie chez un patient.

Les erreurs de type 2 peuvent constituer un problème sérieux dans les applications d’apprentissage automatique, où les conséquences des faux négatifs peuvent être coûteuses ou néfastes. Par exemple, un modèle qui ne parvient pas à détecter une activité frauduleuse dans les transactions financières pourrait entraîner des pertes financières importantes.

Pour réduire le risque d’erreurs de type 2 dans l’apprentissage automatique, plusieurs techniques peuvent être employées, telles que :

• Améliorer la sensibilité du modèle :Cela se fait en abaissant le seuil de décision pour les prédictions positives. Cela peut entraîner un taux de vrais positifs plus élevé, mais peut également augmenter le nombre de faux positifs.
• Données d'entraînement augmentées :Les données de formation sont complétées par davantage d’exemples de catégories moins populaires. Cela peut aider le modèle à apprendre plus efficacement les fonctionnalités des catégories moins populaires, réduisant ainsi les faux négatifs.