你说的是真的。两篇文章看起来相互矛盾，并得出相反的类型 1 和类型 2 错误。

我有好几次同样的困惑。

让我试着告诉你我的结论，尽管我不能 100% 确定我的结论是正确的。

类型 1 错误的定义取决于误报。类型 2 错误的定义取决于 False Negative。

以上两种说法总是正确的。

那为什么会出现混乱呢？

零假设和替代假设函数的定义引起了混淆。

在统计学中，通常空假设是一种大多数人都接受且不包含太多信息的假设，而替代假设是一种扰乱现状的假设，如果为真，那就是一个大新闻。

因此，在您的银行业务示例中，您可以考虑

• 空假设 = 银行正常（溶剂）

• 替代假设 = 银行破产

所以，如果这是定义，那么破产文献是正确的。

但是，通常在机器学习/数据科学中，我们不会定义两个假设，我们只是将问题定义说成是预测银行是否破产。在这种情况下，我们的

• 真正的肯定是银行破产了，我们预测它是破产的。
• 误报是 Bank is Solvent，我们将其预测为破产。
• 假阴性是银行破产，我们将其预测为 Solvent。

因此，再次由上述陈述，混淆矩阵的定义也是正确的。

那么，为什么会出现矛盾的错误呢？答案只是我们定义假设的方式不同。

在银行业文献中，他们将 true 定义为有偿付能力的银行，将 false 定义为破产的银行。在混淆矩阵中，我们假设 true 为破产银行，false 为偿付能力银行。

请查看以下内容以获取更详细的说明。

https://www.khanacademy.org/math/ap-statistics/tests-significance-ap/error-probabilities-power/v/introduction-to-type-i-and-type-ii-errors

https://www.abtasty.com/blog/type-1-and-type-2-errors/