Wat is True Negative?

Wat is een True Negative?

Stel je voor: je hebt een spamfilter op je mailbox. Een mailtje van je collega komt binnen, en het filter zegt: "Dit is geen spam." En dat klopt ook — het is inderdaad geen spam. Dat noemen we een True Negative: het systeem voorspelde dat iets niet het geval was, en die voorspelling klopte.

In AI-termen: een True Negative is een situatie waarin een model correct identificeert dat een bepaalde eigenschap of klasse afwezig is. Het "True" betekent dat de voorspelling klopt, het "Negative" betekent dat het model "nee" zei.

Waarom is dit belangrijk?

True Negatives zijn een van de vier uitkomsten die je krijgt als je een classificatiemodel evalueert. De andere drie zijn:

• True Positive — het model zegt "ja" en dat klopt

• False Positive — het model zegt "ja" maar dat klopt niet (vals alarm)

• False Negative — het model zegt "nee" maar dat klopt niet (gemiste kans)

Samen vormen deze vier uitkomsten de confusion matrix, een overzichtelijke tabel waarmee je in één oogopslag ziet hoe goed je model presteert.

True Negatives zijn vooral belangrijk in situaties waar je wilt weten hoe goed een systeem normale, onopvallende gevallen herkent. Denk aan:

• Fraudedetectie: hoeveel normale transacties worden correct als "niet-frauduleus" gelabeld?

• Medische diagnostiek: hoeveel gezonde patiënten krijgen terecht te horen dat ze een bepaalde ziekte niet hebben?

• Kwaliteitscontrole: hoeveel producten zonder gebrek worden correct als "goed" aangemerkt?

In al deze gevallen wil je niet alleen weten dat het systeem problemen kan vinden, maar ook dat het normale situaties met rust laat.

Een voorbeeld uit de praktijk

Stel: je traint een AI-model om huidkanker te detecteren op foto's. Je test het op 1000 foto's:

• 50 foto's tonen daadwerkelijk huidkanker

• 950 foto's zijn van gezonde huid

Het model voorspelt:

• 45 keer correct "kanker" (True Positives)

• 920 keer correct "geen kanker" (True Negatives)

• 30 keer onterecht "kanker" (False Positives — patiënt krijgt onnodig stress)

• 5 keer gemist "geen kanker" terwijl het wel kanker is (False Negatives — gevaarlijk!)

Die 920 True Negatives zijn cruciaal: ze laten zien dat het model bij het overgrote deel van de gezonde mensen terecht zegt "niks aan de hand". Dat voorkomt onnodige vervolgonderzoeken, angst en kosten.

Waar kom je het tegen?

True Negatives zijn onderdeel van elke evaluatie van classificatiemodellen. Je ziet ze terug in:

• Medische AI-systemen (diagnose-tools die gezonde patiënten correct identificeren)

• Cybersecurity (systemen die normale netwerkactiviteit herkennen en doorlaten)

• Creditscoring (modellen die betrouwbare klanten correct als "laag risico" labelen)

• Contentmoderatie (filters die normale berichten niet per ongeluk blokkeren)

• Kwaliteitscontrole in productie (camera's die goede producten correct doorlaten)

In tools zoals Scikit-learn, TensorFlow of PyTorch zie je True Negatives terug in de confusion matrix en metrics zoals specificity (het percentage True Negatives van alle werkelijke negatieven).

Let op het evenwicht

Een hoog aantal True Negatives is goed, maar je moet altijd kijken naar het totaalplaatje. Een model dat altijd "nee" zegt, heeft namelijk ook heel veel True Negatives — maar mist alle positieve gevallen (False Negatives). Daarom kijk je naar True Negatives altijd in combinatie met de andere drie categorieën.

Als je wilt weten hoe goed jouw AI-model presteert, begin dan met de confusion matrix. Daar zie je in één oogopslag hoeveel True Negatives, True Positives, False Positives en False Negatives je hebt — en kun je beoordelen of het model klaar is voor de echte wereld.