Wat is Type II Error?

Wat is een Type II Error eigenlijk?

Stel je voor: je hebt een spam-filter gebouwd die e-mails moet controleren. Een Type II Error (ook wel een 'vals negatief' of 'false negative' genoemd) treedt op wanneer je model een spam-mail níet als spam herkent — terwijl het dat wél is. Het systeem zegt 'nee, dit is geen spam', maar zit er dus naast.

In statistiek en AI gaat het om het missen van iets dat er wél is. Je test bijvoorbeeld of een tumor kwaadaardig is: een Type II Error betekent dat de scan zegt 'geen kanker', terwijl de tumor tóch kwaadaardig blijkt. Of een fraudedetectiesysteem bij een bank dat een verdachte transactie als 'oké' markeert, terwijl het eigenlijk fraude is.

Het tegenovergestelde is een Type I Error (vals positief): dan slaat je systeem onterecht alarm. Bij spam zou dat zijn: een echte mail belandt in je spam-folder. Beide fouten zijn vervelend, maar welke erger is hangt van de situatie af.

Waarom maakt je AI-model dit soort fouten?

AI-modellen maken keuzes op basis van patronen en drempelwaarden. Stel: je spam-filter geeft elke mail een 'spam-score' tussen 0 en 100. Jij zegt: alles boven de 70 is spam. Maar een slimme spam-mail scoort 68 — net onder de grens. Het model laat 'm door: Type II Error.

Het is altijd een afweging. Zet je de drempel lager (zeg: 50), dan vang je meer spam (minder Type II Errors), maar je blokkeert ook meer echte mails (meer Type I Errors). Dit heet de trade-off tussen gevoeligheid en specificiteit.

Bij medische scans wil je Type II Errors tot een minimum beperken — liever één keer onterecht alarm (Type I) dan een gemiste diagnose. Bij spam is het andersom: liever een spam-mail in je inbox dan dat een belangrijke klantmail wordt geblokkeerd.

Een voorbeeld uit de praktijk

Een webshop gebruikt een AI-systeem om nepreviews te detecteren. Het model analyseert taalgebruik, account-leeftijd en posting-patronen. Een nep-review wordt gepost door een professionele 'review-farm' die heel natuurlijk schrijft — het model geeft een score van 0,45 (net onder de 0,50-drempel voor 'nep'). De review blijft online: Type II Error. Klanten lezen de nep-review en maken aankoopbeslissingen op basis van verkeerde informatie.

Om dit te verbeteren kan de webshop:

• De drempel verlagen (meer reviews markeren als verdacht)

• Extra features toevoegen (IP-adressen, device fingerprints)

• Menselijke moderators inschakelen voor grensgevallen

Waar kom je het tegen?

Type II Errors spelen een rol bij alle AI-systemen die classificeren of beslissingen nemen:

• Fraude-detectie (banken, verzekeraars) — gemiste frauduleuze transacties

• Medische diagnostiek (tumor-detectie, radiologie-AI) — gemiste ziektebeelden

• Cybersecurity (malware-scanners, intrusion detection) — gemiste aanvallen

• Kwaliteitscontrole (productie, voedselindustrie) — defecte producten die doorgelaten worden

• Content-moderatie (social media) — schadelijke content die online blijft

• Recruitment-AI — geschikte kandidaten die worden afgewezen (hier is het andersom: Type I Error als ongeschikte kandidaat wél doorkomt)

Elk platform dat ChatGPT, Claude, Gemini of andere AI gebruikt voor filtering of detectie heeft te maken met deze afweging.

Hoe ga je ermee om?

Als je een AI-systeem bouwt of inkoopt, vraag jezelf af: wat is erger in mijn situatie — iets missen (Type II) of onterecht alarm slaan (Type I)?

Bij kritieke toepassingen (medisch, veiligheid) kies je vaak voor lagere drempels, waardoor je meer false positives krijgt maar minder false negatives. Dat betekent vaak: meer handmatige controle achteraf, maar dat is de prijs voor veiligheid.

Monitor ook continu: hoeveel Type II Errors maakt je systeem in de praktijk? Dat vergt vaak handmatige steekproeven of klachten van gebruikers — want per definitie 'zie' je deze fouten niet automatisch. Ze glippen er immers doorheen.

Begrijp je de afweging tussen Type I en Type II Errors, dan kun je beter sturen op wat jouw AI-systeem moet prioriteren — en realistischer verwachtingen scheppen bij collega's of klanten over wat het wél en niet kan.