病気なのに「異常なし」と判定される——分類モデルの誤りの中でも、ときに最も深刻な結果を招くのが偽陰性、つまり「見逃し」です。偽陽性と対をなすこのエラーの意味と、再現率という指標との結びつきを整理しましょう。
📖 ひと言でいうと
偽陰性（False Negative、FN）とは、実際には陽性（正例）であるデータを、モデルが誤って陰性（負例）と予測してしまった誤りのことです。「陰性と予測したが、偽（外れ）だった」と後ろから読むと意味がつかめます。
例えるなら、空港の手荷物検査で危険物を通過させてしまうミスです。実際には危険物がある（陽性）のに、検査が「問題なし」（陰性）と判定する——これが偽陰性です。検査で鳴りすぎる誤報（偽陽性）は面倒で済みますが、見逃し（偽陰性）は取り返しがつかないことがあります。厳密には、偽陰性は「実際の陽性のうち拾えなかったもの」であり、その多さは再現率という指標の低下として現れます。
🖼 1枚でわかる偽陰性
📘 公式テキストの説明
混同行列における分類結果の一種で、実際には陽性（正例）であるデータを誤って陰性（負例）と予測したケースを指す。英語ではFalse Negative（FN）と呼ばれ、第二種の過誤とも言われる。例えば「犬」「猫」の画像分類問題において、実際は「犬」の画像を「猫」と予測した場合がこれに該当する。医療診断における疾病の見逃しなど、重大な結果を招く可能性がある場面では特に注意が必要であり、再現率（recall）の評価において重要な指標となる。
「陽性/陰性」はモデルの予測、「真/偽」は予測の当たり外れを表します。偽陰性は「陰性と予測したが外れ（実際は陽性）」です。犬猫の例では「犬」が陽性クラスなので、実際は犬なのに「猫」（陰性）と答えた誤りが偽陰性になります。統計学の用語では「第二種の過誤」と呼ばれ、第一種の過誤（偽陽性）とペアで出題されます。
🔍 しっかり理解する
混同行列の中での位置
2クラス分類の結果は、実際のクラスと予測クラスの組み合わせで真陽性（TP）・偽陽性（FP）・偽陰性（FN）・真陰性（TN）の4区分に整理されます。偽陰性は「実際：陽性 × 予測：陰性」のマスです。4区分のうち誤りは FP と FN の2つで、偽陰性は「本当は見つけるべきだったのに、見つけられなかった」ケースを数えます。
なぜ偽陰性は特に警戒されるのか
偽陰性の怖さは、「何も起きていないように見える」ことです。偽陽性なら陽性判定が出るため人間が再確認するきっかけがありますが、偽陰性は「陰性＝問題なし」として処理が終わってしまい、誤りに気づく機会そのものが失われがちです。
- 医療診断：病気の患者を「健康」と判定 → 治療の遅れに直結
- 製造業の検品：不良品を「良品」と判定 → 市場流出・リコール
- 不正検知：不正取引を「正常」と判定 → 被害の見逃し
このように、陽性を見つけること自体が目的の応用では、偽陰性のコストが偽陽性より圧倒的に大きくなります。
再現率との関係と、偽陽性とのトレードオフ
再現率（recall）は TP / (TP + FN) というプレーンな式で計算され、「実際の陽性のうち、陽性と予測できた割合」を表します。分母に偽陰性が入っているため、偽陰性が増えるほど再現率は下がります。つまり再現率は「見逃しの少なさ」を映す指標です。
偽陰性を減らす最も単純な方法は、判定基準を緩めて疑わしいものを広く陽性とすることです。しかしそうすると今度は偽陽性（誤検出）が増えます。この綱引きの構図を図解します。
どこまで偽陰性を許容するかは、見逃しと誤検出のどちらのコストが大きいかという業務判断で決まります。なお、再現率は真陽性率（TPR）や感度（sensitivity）と同じ式であり、医療分野では「感度の高い検査＝偽陰性の少ない検査」という言い方をします。呼び名が変わっても、偽陰性を減らすことが目的である点は共通です。
💡 具体例で考える
がん検診のスクリーニング検査を考えます。がんあり＝陽性とすると、偽陰性は「がんがある人に異常なしと通知する」ことです。本人は安心して精密検査を受けず、発見が遅れて治療の機会を失うおそれがあります。一方、偽陽性（健康な人への要精密検査通知）は不安と追加検査の負担を生みますが、精密検査で訂正が可能です。だからスクリーニング検査は「疑わしきは要精密検査」に倒し、偽陰性を最小化する＝再現率重視で設計されるのが原則です。
公式テキストの犬猫分類（犬100枚・猫100枚、犬が陽性）では、実際は犬の画像を「猫」と予測した15枚が偽陰性（FN=15）です。このとき再現率は TP/(TP+FN) = 90/(90+15) = 約0.857 となり、犬の約14%を見逃していると読み取れます。
⚠️ よくある誤解・紛らわしい用語
- 偽陽性との取り違え。偽陰性＝「陰性と予測して外れ」（実際は陽性・見逃し）、偽陽性＝「陽性と予測して外れ」（実際は陰性・誤検出）。予測結果を基準に読むのがコツです。
- 第二種の過誤との対応。偽陰性が第二種の過誤、偽陽性が第一種の過誤です。この対応の入れ替えは定番のひっかけです。
- 「偽陰性は適合率に効く」という誤解。適合率 TP/(TP+FP) の式に FN は登場しません。偽陰性が直接影響するのは再現率です。
- 「偽陰性さえ減らせばよい」わけではない。偽陰性をゼロに近づける極端な設計（全件陽性と判定）は偽陽性だらけになり実用に耐えません。両者のバランス調整が本質です。
📝 試験でのポイント
- 「実際には陽性であるデータを誤って陰性と予測したケース」という定義文の選択が基本形です。「実際」と「予測」の対応の向きを丁寧に確認しましょう。
- 「第二種の過誤」との対応関係、および偽陽性（第一種の過誤）との対比が頻出です。
- 医療診断・不良品検出など「見逃しが重大」な事例文では、偽陰性の抑制＝再現率重視が正解筋になります。
- 再現率の式 TP/(TP+FN) の分母に FN が入ることを、適合率の TP/(TP+FP) と区別して覚えましょう。
📚 まとめ
- 偽陰性（FN）は、実際は陽性のデータを誤って陰性と予測した「見逃し」型のエラーです。
- 第二種の過誤とも呼ばれ、誤検出型の偽陽性（第一種の過誤）と対をなします。
- 陰性判定は再確認の機会を生みにくいため、医療診断や検品では特に警戒されます。
- 再現率 TP/(TP+FN) の分母に含まれ、偽陰性が増えるほど再現率は低下します。
- 偽陰性と偽陽性はトレードオフにあり、見逃しコストの大きさに応じて設計を決めます。
