Wat is True Positive?

Wat is een True Positive?

Stel je voor: je hebt een beveiligingscamera met AI die beweging moet detecteren. Iemand loopt voorbij, de camera herkent dat en geeft een melding. Dat is een true positive — het model zegt 'ja, ik zie iets', en dat klopt ook.

In AI-termen: een true positive is een situatie waarin een model voorspelt dat iets het geval is (positief), én die voorspelling ook daadwerkelijk klopt (true). Het is één van de vier mogelijke uitkomsten wanneer je een AI-model test.

Hoe werkt het eigenlijk?

Elke keer dat een AI-model een beslissing neemt, zijn er vier mogelijkheden:

• True Positive (TP): model zegt 'ja' en dat klopt → goed gedaan

• False Positive: model zegt 'ja' maar het klopt niet → vals alarm

• True Negative: model zegt 'nee' en dat klopt → ook goed

• False Negative: model zegt 'nee' maar had 'ja' moeten zeggen → gemist

De true positives zijn de keren dat je model precies doet wat het moet doen: het goede nieuws vinden tussen alle mogelijkheden.

Een voorbeeld uit de praktijk: je traint een AI om fraude te detecteren bij betalingen. Van de 1000 transacties zijn er 50 frauduleus. Je model signaleert 45 daarvan — die 45 zijn je true positives. De 5 fraudegevallen die het mist, zijn false negatives.

Waarom is dit belangrijk?

True positives zijn cruciaal bij het evalueren van AI-modellen. Ze vormen de basis voor belangrijke meetwaarden:

Recall (ook wel 'sensitivity'): hoeveel van alle échte positieve gevallen vindt je model? Formule: true positives gedeeld door (true positives + false negatives). Als je model 45 van de 50 fraudegevallen vindt, is je recall 90%.

Precision: als je model 'ja' zegt, hoe vaak heeft het dan gelijk? Formule: true positives gedeeld door (true positives + false positives). Als je model 45 keer terecht alarm slaat en 10 keer vals alarm, is je precision 82%.

Welke je belangrijker vindt, hangt af van je toepassing. Bij kankerdiagnose wil je vooral geen gevallen missen (hoge recall, dus veel true positives vinden). Bij spam-filtering is het erger als echte mails verdwijnen (hoge precision, dus weinig false positives).

Waar kom je het tegen?

Je ziet true positives terug in vrijwel elk AI-systeem dat classificeert of detecteert:

• Medische AI — hoeveel tumoren op een scan worden correct geïdentificeerd

• Spam-filters — welke spam-mails worden terecht geblokkeerd

• Gezichtsherkenning — hoeveel keer herkent je telefoon jouw gezicht correct

• Kwaliteitscontrole — welke defecte producten worden terecht van de band gehaald

• Sentiment-analyse — hoeveel negatieve reviews worden correct als negatief gelabeld

In dashboards van tools zoals ChatGPT Enterprise, Azure Machine Learning of Google Cloud AI Platform zie je vaak een 'confusion matrix' — een tabel die laat zien hoeveel true positives, false positives, true negatives en false negatives je model heeft. Die matrix geeft in één oogopslag het volledige gedrag van je model weer.

Wat kun je ermee?

Als je een AI-model bouwt of inkopt, is het aantal true positives een van de belangrijkste checks. Te weinig true positives betekent dat je model nuttige signalen mist. Te veel focus op true positives kan betekenen dat je systeem overenthousiastisch wordt en te vaak vals alarm slaat.

De kunst is de balans vinden tussen alle uitkomsten — en die balans hangt af van wat jouw situatie vraagt. Vraag jezelf af: wat kost het als ik iets mis (false negative)? En wat kost het als ik vals alarm heb (false positive)? Met die antwoorden kun je bepalen hoeveel true positives 'genoeg' zijn voor jouw toepassing.