第二类错误是什么？明明有却说没有的“漏报”

第二类错误（Type II Error），在机器学习中也称为假阴性或漏报（False Negative），是指模型错误地预测某个实际存在的条件或属性不存在。比如，一个医学诊断模型没能检测出某位病人实际上患有的疾病；一个欺诈检测系统把一笔真正的欺诈交易判断为正常交易。这个概念最早来自统计学中的假设检验，在统计学中，它指的是没能拒绝一个实际上错误的原假设。

它和第一类错误的区别

在二元分类中，模型的判断可能犯两种错误。第一类错误，也叫假阳性或误报：实际上没有，却判断为有，比如把一封正常的邮件误判为垃圾邮件，把健康的人误诊为患病。第二类错误，也叫假阴性或漏报：实际上有，却判断为没有，比如把一封垃圾邮件放进了收件箱，把真正的病人诊断为健康。

可以用一个“狼来了”的比喻帮助记忆：放羊的孩子在没有狼的时候喊狼来了，是第一类错误；狼真的来了，却没人喊，是第二类错误。

为什么第二类错误可能很严重

在很多应用中，漏报的后果比误报严重得多。医疗诊断：漏诊一个癌症患者，可能导致病情被延误，错过最佳的治疗时机，甚至危及生命；而误诊一个健康的人，虽然会造成不必要的担心和额外的检查，但后果相对可控。安全检测：机场安检漏掉一件危险品，或者网络安全系统漏掉一次真正的入侵，可能造成严重的损失。自动驾驶：没能识别出前方的行人，后果不堪设想。工业质检：漏检一个有缺陷的零件，可能导致产品故障甚至安全事故。

如何权衡

第一类错误和第二类错误通常是此消彼长的：调整模型的判断阈值，让它更“敏感”，更容易判断为阳性，可以减少漏报，但会增加误报；反过来，让它更“谨慎”，可以减少误报，但会增加漏报。所以需要根据具体的应用场景，权衡两种错误各自的代价。在漏报代价很大的场景，比如癌症筛查，通常会把阈值设得比较低，宁可多一些误报，再通过进一步的检查来确认，以尽量不漏掉任何真正的病例。衡量第二类错误的常用指标是召回率（也叫灵敏度或真阳性率），它表示所有实际为阳性的样本中被正确找出的比例：召回率越高，漏报越少。