[TIL] False Positive/ False Negative

False Positive (거짓 양성) 과 False Negative (거짓 음성)  

False Positive 와 False Negative 는 주로 이진 분류 Binary Classification 문제에서 사용되는 용어로,

모델의 예측 결과가 실제 값과 다를 때 발생하는 오류이다 

이 두 개념은 머신러닝 모델의 성능 분석, 오류 유형 파악, 이진 분류 모델 테스트에 있어 꼭 알아야 할 평가 지표이며,

다양한 AI 모델 평가, 보안 시스템, 의료 진단 등 실전에서도 널리 활용된다 

 

용어	실제 값	예측 값	의미	영향
True Positive (TP)	Positive	Positive	양성이라고 맞게 예측함	정상
True Negative (TN)	Negative	Negative	음성이라고 맞게 예측함	정상
False Positive (FP)	Negative	Positive	음성인데, 양성이라고 잘못 예측함	오탐지 (불필요한 대응)
False Negative (FN)	Positive	Negative	양성인데, 음성이라고 잘못 예측함	누락 (중요한 걸 놓침)

 

예시: 스팸 필터 

* Positive 스팸이다 

* Negative 스팸이 아니다 

결과 유형	예시	설명
False Positive	정상 메일을 스팸으로 분류	중요한 메일을 놓칠 수 있음
False Negative	스팸을 정상으로 분류	사용자에게 불편 초래

 

 

AI 모델 관점에서 보는 FP/ FN 

1. False Positive 

실제로는 Negative 인데 모델이 Positive 로 잘못 예측하는 경우 

 

예시:

AI 얼굴 인식 보안 시스템: 등록되지 않은 사람을 등록된 사람으로 인식

스팸 필터: 정상 메일을 스팸으로 분류

질병 진단 AI: 건강한 사람을 환자로 진단 

 

문제점:

사용자 불편 증가

불필요한 조치 발생 (불필요한 치료, 잘못된 권한 부여 등)

모델 신뢰성 하락 – 과잉 반응하는 시스템으로 보임

 

2. False Negative 

실제로는 Positive 인데 모델이 Negative 로 잘못 예측하는 경우 

 

예시:

질병 진단 AI: 암 환자를 정상으로 예측

침입 탐지 시스템: 해커를 정상 사용자로 판단

콘텐츠 필터링 AI: 혐오 발언을 정상 콘텐츠로 분류

 

문제점:

치명적인 결과 초래 (진단 누락, 보안 위협, 규제 위반 등)

법적 책임 발생 가능 (시스템 책임 가능성 증가) 

사용자에게 심각한 피해

 

 

AI 모델 평가 시 활용 방법   

1. Confusion Matrix 분석

FP/ FN 의 비율을 시각적으로 파악 가능

과잉 탐지/누락 탐지 여부 판단

 

2. 정밀도(Precision), 재현율(Recall), F1 Score

Precision: 예측한 Positive 중 진짜 Positive 의 비율 → FP 에 민감

Recall: 실제 Positive 중 모델이 찾아낸 비율 → FN 에 민감

F1 Score: Precision 과 Recall 의 조화 평균

 

3. Threshold 조정

도메인에 따라 적절한 기준선 설정

예: 의료 AI → FN 최소화 (재현율 중시)

예: 마케팅 추천 → FP 최소화 (정밀도 중시)

 

4. 오류 케이스 수집 및 재학습

FP/FN 사례를 수집해 분석하고, 모델 학습 데이터에 반영하여 성능 개선

 

---

 

False Positive 와 False Negative 는 단순한 통계 지표가 아니라,
AI 모델이 실제 환경에서 얼마나 신뢰할 수 있는지를 판단하는 핵심 지표이다 

 

모델의 목적과 쓰임에 따라 FP 와 FN 의 영향은 완전히 달라질 수 있으므로,
적절한 평가 지표와 도메인 기반 판단이 함께 필요하다