原文：
www.kdnuggets.com/2022/08/type-type-ii-errors-difference.html
作者提供的图像
-
Type I 和 Type II 错误在机器学习和统计学中非常常见。
-
当零假设（H0）被错误地拒绝时，就会发生 I 型错误。这也被称为假阳性错误。
-
当实际上为假但被接受的零假设时，就会发生 II 型错误。这也被称为假阴性错误。
1. 谷歌网络安全证书 - 快速进入网络安全职业。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT
让我们通过一个二分类机器学习垃圾邮件过滤器来说明 Type I 和 Type II 错误。我们假设有一个标记的数据集 N = 315 封电子邮件，其中 244 封标记为垃圾邮件，71 封标记为非垃圾邮件。假设我们已经建立了一个机器学习分类算法来从这些数据中学习。现在我们想评估机器学习模型的表现。模型在正确检测垃圾邮件与非垃圾邮件方面表现如何？我们假设每当模型预测电子邮件为垃圾邮件时，该邮件将被删除并保存在垃圾邮件文件夹中。我们还假设垃圾邮件类别是负类别，非垃圾邮件类别是正类别。我们假设机器学习模型的表现可以在下面的表格中说明：
I 型错误（假阳性错误）： 从表格中我们可以看到，在 244 封垃圾邮件中，模型正确预测了 222 封为垃圾邮件（真正阴性），而 22 封垃圾邮件被错误预测为非垃圾邮件（假阳性）。这意味着根据这个模型，22 封垃圾邮件将不会被删除。I 型错误率或假阳性率表示为，并给出如下：
II 型误差（漏报误差）： 从表中可以观察到，在 71 个非垃圾邮件中，模型正确预测了 39 个为非垃圾邮件（真正例），而 22 个非垃圾邮件被错误预测为垃圾邮件（漏报）。我们看到模型将删除 32 个非垃圾邮件。II 型误差率或漏报率表示为，并计算为
总模型误差：从上表中可以观察到，总共有 54 个误分类，其中 315 个标记的电子邮件数据集中，有 22 个是误报，32 个是漏报。总误差率计算为
对于二分类系统，总误差率不是一个好的度量指标。相反，重要的是关注 I 型和 II 型误差率。在这个示例中，重要的是将 I 型误差率（）保持在较低水平，以便垃圾邮件不会被错误地分类为正常的非垃圾邮件并被删除。类似地，重要的是最小化 II 型误差率，以便正常的非垃圾邮件不会被误认为是垃圾邮件。
总结一下，我们讨论了 I 型和 II 型误差之间的区别。有关 I 型和 II 型误差如何在二分类系统中使用的更多信息，请参阅这篇文章：贝叶斯定理解释。
本杰明·O·泰约 是一位物理学家、数据科学教育者和作家，同时也是 DataScienceHub 的所有者。之前，本杰明曾在中奥克拉荷马大学、大峡谷大学和匹兹堡州立大学教授工程学和物理学。