当前位置:   article > 正文

理解TP、FP、TN、FN_tpnflp

tpnflp

概念定义

按照常用的术语,将两个类分别称为正类 (positive) 和 负类 (negative)。使用数学表示: +1表示正类 , -1 表示负类。

正类通常是少数类,即样本较少的类(例如有缺陷的零件)

负类通常是多数类,即具有更多样本的类(例如合格的零件)

单个类别内的比率

对于一个样本 x ,真实标记 y 和预测标记 f(x) 之间有四种可能的组合,如下表所示:

预测标记 f(x) = +1预测标记 f(x) = -1
真实标记y=+1真阳性(true positive)真阴性(true negative)
真实标记y=-1伪阳性(false positive)伪阴性(false negative)

在每种可能的情况里,第二个字指的是预测的标记。第一个字用来描述预测是否正确。

例如,伪阳性表示预测的标记是“阳性” (+1),这个预测是错误的(“伪”);因此,真正的标记是“阴性”(-1)

TP:True Positive,分类器预测结果为正样本,实际也为正样本,即正样本被正确识别的数量。

FP:False Positive,分类器预测结果为正样本,实际为负样本,即误报的负样本数量。

TN:True Negative,分类器预测结果为负样本,实际为负样本,即负样本被正确识别的数量。

FN:False Negative,分类器预测结果为负样本,实际为正样本,即漏报的正样本数量。

Accuracy:准确率

Accuracy表征的是预测正确的样本比例。不过通常不用这个概念,主要是因为预测正确的负样本这个没有太大意义。

样本总数: TOTAL = TP+FN+FP+TN

Accuracy = (TP+TN) / 样本总数

Precision:查准率

Precision表征的是预测正确的正样本的准确度,查准率等于预测正确的正样本数量/所有预测为正样本数量。Precision越大说明误检的越少,Precision越小说明误检的越多。

Precision= TP / (TP+FP)

参考:https://zhuanlan.zhihu.com/p/386064764

https://zhuanlan.zhihu.com/p/498846393

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/笔触狂放9/article/detail/978259
推荐阅读
相关标签
  

闽ICP备14008679号