Waarom is dit belangrijk?
Wie foutnegatieven meet, ziet welke echte gevallen een model over het hoofd ziet en kan die missers afwegen tegen extra loze alarmen. In de informatiebeveiliging letten teams hierop bij filters die ongewenste e-mail van gewone post moeten scheiden. Voor werknemers kan daardoor op het werk ongewenste post ongezien binnenkomen, terwijl een gevoeliger filter ook normale berichten vaker per ongeluk tegenhoudt.
Zo werkt het in de praktijk
Kwaliteitscontrole in fabrieken gebruikt een model dat producten als goed of fout indeelt. Een foutnegatief laat dan een fout product als goed door. Hogere gevoeligheid, het aandeel gevonden foute producten, laat minder foute producten de markt op gaan.
In de informatica geven onderzoekers de voorkeur aan precisie en recall. Recall daalt als het aantal foutnegatieven stijgt. De ROC-curve toont de afweging tussen gevoeligheid en specificiteit, het aandeel echte negatieve gevallen dat het model goed herkent.
Teams zetten voorspellingen in een verwarringsmatrix, een tabel met juiste en foute uitkomsten. Het foutnegatiefpercentage deelt de foutnegatieven door alle echte positieve gevallen. De F1-score weegt precisie en recall en telt de foutnegatieven mee.




