Falso negativo (False negative)
NATURALEZA
No es un concepto de IA propiamente dicho, puesto que se encuadra dentro de los modelos de clasificación que se estudian y desarrollan en el campo de la estadística. Sin embargo, es importante para comprender la IA pues el trabajo de esta en muchas ocasiones tiene por objeto dar como respuesta una clasificación (por ejemplo, ser capaz de etiquetar imágenes en categorías de perros y gatos).
CONCEPTO
Caso en que el modelo (esto es, en general, cualquier construcción matemática que procesa datos de entrada y devuelve resultados)predice erróneamente la clase negativa. Con clase nos referimos a una categoría de un modelo de clasificación binario que etiquetamos como“positivo” o “negativo”. Por ejemplo, en un modelo que clasifica correos electrónicos según sean o no spam, nuestra clase negativa es que NO que sea spam. Por lo tanto, un falso negativo se refiere a que el modelo predice que un correo NO es spam cuando realmente SÍ lo es.
Conceptos relacionados: recall, falso positivo, modelo de clasificación (en contraposición con modelos de regresión), que pueden ser binarios o multiclase
En resumen: Cuando el resultado predicho es negativo pero el real pertenece a la clase positiva.
IMPORTANCIA
El concepto de “falso negativo” se relaciona directamente con el error de los modelos. Por lo tanto, da una muestra de la precisión con la que funciona. La idea es que los modelos cada vez se ajusten más y reduzcan los errores. Se utiliza además para calcular el recall.
USOS Y RIESGOS
Un modelo de IA con muchos falsos negativos genera predicciones defectuosas. Por ello toda herramienta ha de contar con mecanismos que supervisen la generación y cuantificación de este tipo de errores y evalúen su efecto en el funcionamiento general de la herramienta.
AUTORES
Javier Dionis Baeza
