False-negative，或稱為第二型錯誤（Type II error），在統計學和機器學習中是指在假設檢定時，錯誤地接受了本應拒絕的虛無假設。換句話說，當實際上有一個效應或條件存在（即實際狀況為陽性），但檢測或判定結果卻錯誤地指出沒有發現該效應或條件（即判定為陰性）時發生了 False-negative。
在醫學檢測中的例子：一個人實際上患有某種疾病（如癌症），但是檢測結果顯示他沒有這種疾病，這就是一個 False-negative 的情況。這種錯誤的後果可能非常嚴重，因為它可能導致需要治療的病症被忽視。
False-negative 與 False-positive（第一型錯誤，錯誤地拒絕了本應接受的虛無假設）相對，兩者在統計決策過程中都需要小心處理，以避免可能的誤判對結果造成的影響。在設計檢測和預測模型時，通常需要在減少 False-negatives 和減少 False-positives 之間找到平衡。
阿摩線上測驗
登入