在机器学习中，当模型错误地预测实际存在的特定条件或属性不存在时，就会出现第 2 类错误（也称为漏报）。例如，医学诊断模型可能无法检测患者是否存在疾病。

第 2 类错误可能是机器学习应用中的一个严重问题，其中漏报的后果可能代价高昂或有害。例如，无法检测金融交易中的欺诈活动的模型可能会导致重大的财务损失。

为了降低机器学习中出现第 2 类错误的风险，可以采用多种技术，例如：

• 提高模型的敏感性：这是通过降低正面预测的决策阈值来完成的。这可能会导致更高的真阳性率，但也可能会增加误报数量。
• 增强训练数据：训练数据通过更多不太流行类别的示例进行增强。这可以帮助模型更有效地学习不太流行类别的特征，从而降低漏报率。