Lors de la compréhension de l’hypothèse, deux erreurs peuvent être assez déroutantes. Ces deux erreurs sont les faux négatifs et les faux positifs. Vous pouvez également vous référer à l’erreur faux négatif comme une erreur de type II et au faux positif comme une erreur de type I. Pendant votre apprentissage, vous pouvez penser que ces erreurs n’ont aucune utilité et qu’elles ne feront que vous faire perdre du temps dans l’apprentissage des concepts.
Cependant, si vous considérez les avantages réels de ces erreurs, vous changerez votre façon de les considérer. Vous trouverez ces erreurs intéressantes et passionnantes.
Dans de nombreux cas, les scientifiques des données, lors de la collecte des données, font des erreurs ou interprètent mal les situations. Lorsque vous ne disposez pas de données précises, vos conclusions ne seront pas vraies. Une seule erreur peut rendre vos vrais résultats faux. Par conséquent, il est essentiel de comprendre comment une interprétation précise des données peut apporter de la précision à votre recherche.
Aujourd’hui, nous allons parler des faux négatifs et des faux positifs et de la manière dont ils affectent vos résultats. Vous pouvez qualifier votre résultat de faux positif lorsque vous considérez les faux résultats comme vrais. En d’autres termes, il s’agit d’une fausse alerte.
Le terme technique pour cette fausse détermination est l’erreur de type I. L’erreur de type II fait référence à la condition dans laquelle votre résultat est vrai, mais vous le considérez comme faux. En d’autres termes, un résultat faussement négatif est dû à l’absence de certaines données importantes, ou au fait que le modèle n’a pas pu reconnaître les données. Ci-dessous, nous allons comprendre ces deux termes en détail :
Faux positif
Une condition de faux positif d’une hypothèse indique que vous recevez un résultat positif après avoir effectué un test, mais qu’en réalité le résultat devrait être négatif. Outre les faux positifs et les fausses alarmes, on peut également parler de faux positifs. Cette situation est courante dans le secteur de la santé. Vous pouvez également utiliser ce terme pour le processus de test dans d’autres secteurs, tels que les tests de logiciels.
Voici quelques exemples pour votre référence :
- Vous recevez un résultat positif à un test de grossesse, mais vous n’êtes pas enceinte.
- Vous obtenez un résultat positif pour le syndrome de Down après un test prénatal, mais en réalité, vous n’êtes pas atteint de ce trouble.
- Vous n’avez pas de cancer, mais vos tests suggèrent que vous souffrez de cette maladie.
- Un logiciel malveillant considère parfois un logiciel inoffensif comme une menace.
Recevoir un résultat faussement positif lors d’un test médical peut être gênant. C’est pourquoi les chercheurs contribuent constamment à réduire les erreurs de type faux-positif. C’est pourquoi ils mettent en œuvre de nouvelles méthodes pour identifier la raison de l’erreur et des moyens de créer un processus de test plus sensible.
Le faux négatif, quant à lui, est le concept inverse. Dans cette situation, vous recevrez un résultat négatif alors que le résultat devrait être positif. Par exemple, si vous êtes enceinte mais que votre test de grossesse donne des résultats négatifs.
Faux négatif
Un résultat faussement négatif suggère que la condition telle que le trouble n’existe pas, alors qu’elle existe en réalité. Par exemple, si une femme enceinte a fait le test de grossesse et que le résultat indique qu’elle n’est pas enceinte. Un faux négatif peut causer beaucoup de confusion. Lorsqu’elle se considère comme négative sur un test de grossesse, elle ne sera pas en mesure de s’en occuper. Cela peut entraîner divers problèmes de santé.
Vous pouvez également comprendre le concept de faux négatif en considérant la situation actuelle de la pandémie. Par exemple, une personne présentant les symptômes du COVID a fait un test, et ses résultats étaient négatifs, alors qu’ils étaient positifs. En raison de ce faux résultat de test, elle ne s’isolera pas et ne propagera pas le virus à d’autres personnes. Il est donc essentiel de faire plusieurs tests et de comparer les résultats. En termes simples, une erreur de type II ou faux négatif est le résultat d’un test incomplet. Il n’est pas précis car certains facteurs influençant les résultats sont absents.
Conclusion
En conclusion, nous pouvons dire qu’un résultat faussement négatif se produit lorsque vous ne souffrez pas d’une maladie ou d’une affection. Mais le résultat de votre test est positif. Cela se produit lorsque la méthode de collecte des données n’est pas précise.
Comme le test n’a pas pris en compte tous les facteurs affectant le résultat, le résultat sera faux. Les faux négatifs peuvent affecter un grand nombre de tests médicaux. Par exemple, ils peuvent affecter un test de grossesse, les tests de Lyme ou de tuberculose, le test Covid-19 et les tests de dépistage de drogues.
Pour apporter de la précision au système de test, de nombreux data scientists travaillent sur un algorithme capable de mettre en évidence les erreurs dans le test. Ils devront d’abord identifier la raison réelle pour laquelle le système se comporte de manière inexacte. Une fois qu’ils l’auront fait, ils pourront trouver une solution et rendre le processus de test plus efficace.
Ces deux types d’erreurs de test, les erreurs de type I et les erreurs de type II, sont graves. Un faux positif ou une erreur de type I se produit en rejetant l’hypothèse nulle vraie. En revanche, un faux négatif ou une erreur de type II se produit en acceptant l’hypothèse nulle comme fausse. Selon de nombreux spécialistes des données, un faux positif est une condition critique. Cependant, nous pensons que les deux erreurs sont gênantes et doivent être examinées.
