---
title: "假陰性（False Negative）"
slug: false-negative
language: zh-TW
source: https://aiterms.tw/terms/false-negative
updated_at: 2026-06-22
tags: [模型評估, 混淆矩陣, 召回率, 分類錯誤, 二元分類]
ipas_term: false
---

# 假陰性（False Negative）

模型預測為陰性（負例），但實際上為陽性（正例）的錯誤分類結果。

## 完整說明

假陰性（False Negative，FN）是分類模型中的一種錯誤類型，指模型判斷某個樣本不屬於目標類別，但該樣本實際上確實屬於目標類別。假陰性在混淆矩陣中位於實際陽性、預測陰性的格子，是召回率（Recall）計算的關鍵分母項目之一。在醫療診斷、詐騙偵測等高風險場景中，假陰性往往比假陽性代價更高，因為漏偵可能造成嚴重後果。

## 常見問題

### 假陰性和假陽性哪個更嚴重？

這取決於應用場景，並無絕對答案。在癌症篩檢中，假陰性（漏掉真正的患者）通常比假陽性（多送去複診的健康人）代價更高，因為漏診可能導致病情惡化。但在垃圾郵件過濾中，假陽性（正常信件進垃圾匣）可能讓用戶錯過重要信件，有時比假陰性（垃圾信進收件匣）更令人難以接受。因此，必須根據具體業務的風險偏好來決定哪種錯誤代價更大，並據此調整模型的評估指標與決策閾值。

### 如何在混淆矩陣中找到假陰性？

在標準二元分類的混淆矩陣中，假陰性（FN）位於「實際為陽性、預測為陰性」的格子。通常矩陣排列方式是：行（Row）代表實際類別，列（Column）代表預測類別。若以陽性為第一行/列，則 FN 位於第一行、第二列的位置。理解混淆矩陣的每個格子對於正確計算精確率、召回率、F1 Score 等指標至關重要，建議在評估模型時同時查看完整矩陣而非只看單一準確率數字。

### 降低假陰性率一定對模型有好處嗎？

不一定。降低假陰性率通常意味著提高召回率，但這往往會以增加假陽性率（降低精確率）為代價。若過度追求零假陰性（例如將所有樣本預測為陽性），召回率雖達到 100%，但精確率可能極低，模型等同於無用。因此，合理的目標是在業務允許的假陽性代價範圍內，盡可能降低假陰性率，並透過 F1 Score、AUC-ROC、AUC-PR 等指標進行整體評估，而非片面追求單一指標的極值。

---

來源：https://aiterms.tw/terms/false-negative
快查頁：https://aiterms.tw/terms/false-negative
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-false-negative