Embora entendendo a hipótese, dois erros podem ser bastante confusos. Estes dois erros são falsos negativos e falsos positivos. Você também pode se referir ao erro falso-negativo como erro do tipo II e falso-positivo como erro do tipo I. Enquanto você estiver aprendendo, você pode pensar que estes erros não têm qualquer utilidade e só perderão seu tempo no aprendizado dos conceitos.
Entretanto, considerando as vantagens reais destes erros, você mudará a maneira de pensar sobre eles. Você achará estes erros interessantes e emocionantes.
Em muitos casos, os cientistas de dados, enquanto coletam os dados, cometem erros ou interpretam mal as situações. Quando você não tiver dados precisos, suas descobertas não serão verdadeiras. Um único erro pode tornar falsos seus resultados verdadeiros. Portanto, é fundamental entender como a interpretação precisa dos dados pode trazer precisão à sua pesquisa.
Hoje, discutiremos os falsos negativos e os falsos positivos e como eles afetam seu resultado. Você pode se referir ao seu resultado como falso positivo quando considerar que os resultados falsos são verdadeiros. Em outras palavras, trata-se de um falso alarme.
O termo técnico para esta falsa determinação é o erro do tipo I. O erro tipo II refere-se à condição na qual seu resultado é verdadeiro, mas você o considera como falso. Em outras palavras, um falso resultado negativo está faltando alguns dados importantes, ou o modelo não poderia reconhecer os dados. A seguir, entenderemos os dois termos em detalhes:
Falso Positivo
Uma condição falso-positiva de uma hipótese indica que você recebe um resultado positivo após a realização de um teste, mas na realidade o resultado deve ser negativo. Além de um falso positivo ou falso alarme, você também pode se referir a esta condição como um erro falso-positivo. Esta condição é comum na indústria da saúde. Além disso, você pode usar este termo para o processo de teste em outras indústrias, tais como testes de software.
Aqui estão alguns exemplos para sua referência:
- Você recebe um resultado positivo de um teste de gravidez, mas não está grávida.
- Você testa positivo para a síndrome de Down após um teste pré-natal, mas na realidade, você não tem o distúrbio.
- Você não tem nenhum câncer, mas seus testes sugerem que você está sofrendo da doença.
- O software maligno às vezes considera o software inofensivo como uma ameaça.
Receber um resultado falso-positivo para os testes médicos pode ser problemático. Portanto, os pesquisadores estão constantemente contribuindo para reduzir os erros falso-positivos. É por isso que estão implementando novos métodos para identificar a razão do erro e formas de criar um processo de testes mais sensível.
Falso-negativo, por outro lado, é o conceito oposto. Nesta condição, você receberá um resultado negativo quando o resultado deve ser positivo. Por exemplo, se você estiver grávida, mas seu teste de gravidez estiver apresentando resultados negativos.
Falso Negativo
Um resultado de teste falso-negativo sugere que a condição como a desordem não se mantém, mas de fato se mantém. Por exemplo, se uma mulher grávida fez o teste de gravidez e o resultado indica que ela não está grávida. Um falso negativo pode causar muita confusão. Quando ela se considera negativa em um teste de gravidez, ela não será capaz de cuidar disso. Isto pode levar a vários problemas de saúde.
Você também pode entender o conceito de falsos negativos considerando a atual situação pandêmica. Por exemplo, uma pessoa com sintomas de COVID fez um teste, e seus resultados foram negativos, apesar de serem positivos. Devido a este resultado falso do teste, eles não se isolarão e espalharão o vírus para outros. Portanto, é essencial fazer vários testes e comparar os resultados. Em palavras simples, um erro do tipo II ou falso-negativo é resultado de um teste incompleto. Não é exato, pois alguns fatores que influenciam os resultados estão ausentes.
Conclusão
Para concluir, podemos dizer que um falso resultado negativo ocorre quando você não está sofrendo de uma doença ou condição. Mas o resultado de seu teste está lhe mostrando positivamente. Isto acontece quando o método de coleta de dados não é preciso.
Como o teste não considerou todos os fatores que afetam o resultado, o resultado será falso. Os falsos negativos podem afetar muitos testes médicos. Por exemplo, pode afetar um teste de gravidez, testes de Lyme ou de tuberculose, teste Covid-19 e testes de drogas.
Para trazer precisão ao sistema de testes, muitos cientistas de dados estão trabalhando em um algoritmo que pode destacar erros no teste. Eles terão primeiro que identificar a razão real do comportamento do sistema de forma imprecisa. Uma vez que o façam, poderão encontrar uma solução e tornar o processo de teste mais eficiente.
Estes dois erros de teste, erros do tipo I e erros do tipo II, são graves. Um falso positivo ou erro de tipo I ocorre rejeitando a verdadeira hipótese nula. Entretanto, um erro falso negativo ou de tipo II ocorre ao aceitar a hipótese nula como falsa. De acordo com muitos cientistas de dados, um falso positivo é uma condição crítica. Entretanto, acreditamos que tanto os erros como os problemáticos e que precisam ser s