关于FPR和FNR （I类错误和II类错误）

已于 2022-09-13 10:46:12 修改
阅读量2k 收藏 2
点赞数 3
分类专栏： 机器学习 文章标签： java 开发语言
于 2021-08-21 14:46:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ChaoFeiLi/article/details/119837496
版权

参考链接：

新浪博客

误报率、漏报率、准确率和召回率（虚警率、漏警率）_千行百行的博客-CSDN博客_误报率

基础理解

术语“阳性”和“阴性”不是指所关心的情况的值，而是指其存在或不存在；该情况本身可能是一种疾病，因此“阳性”可能意味着“疾病”，而“阴性”可能意味着“健康”。

我们更应该关注：1表示存在；0表示不存在。

什么是true和false

true指的是预测的情况和真实情况一致；
false指的是预测的情况和真实情况不一致。

定义

第一类错误（误报）：拒绝本应接受的东西的错误，指的是本来正常（Condition negative），但是误认为是异常（Predicted condition positive）；例如认定一个无辜的人有罪。

第二类错误（漏报）：接收本应该拒绝东西的错误，指的是本来异常（Condition positive），但是误认为是正常（Predicted condition negative）；例如认定一个有罪的人无罪。

误报率

误报率是被错误报告为阳性的阴性情况的比例。

number of false positives    /  number of negative instances

I - Error=\frac{FP}{FP+TN}

漏报率

漏报率是被错误地报道为阴性的阳性情况的比例。

number of false positives    /  number of positive instances

II - Error = \frac{FN}{FN+TN}

ChaoFeiLi
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
什么是混淆矩阵精度、召回率、准确性、F1 分数、FPR、FNR、TPR、TNR？
iCloudEnd的博客
12-03 1703
混淆矩阵是一种将预测结果和实际值以矩阵形式汇总的方法，用来衡量分类问题的性能。在这里，我们将预测表示为 Positive§ 或 Negative(N)，将真值表示为 True(T) 或 False(F)。将真实值和预测值一起表示，我们得到真阳性 (TP)、真阴性 (TN)、假阳性 (FP) 和假阴性 (FN)。 那么什么是 TP、TN、FP 和 FN？这里我们将考虑一个怀孕测试的例子，一个真正的孕妇和一个胖男人咨询医生，测试结果如下图所示。 TP(True Positive)：女人怀孕了，预测她怀孕了。这里
机器学习之性能度量
hustqb的博客
05-03 4352
废话不说，本文分为两个部分： 第一部分，我对周志华教授《机器学习》这本书中性能度量知识点中疑难点的学习感悟；第二部分，我感觉该书2.3节 性能度量 中最后部分的代价曲线表述有误，苦于没找到联系教授的正确方式，故希望与广大网友一起探讨。
TPR、FPR、TNR、FNR的理解
weixin_40710375的博客
04-24 2万+
转自：https://blog.csdn.net/zhq9695/article/details/82909967 TPR（True Positive Rate）可以理解为所有正类中，有多少被预测成正类（正类预测正确），即召回率，给出定义如下： FPR（False Positive Rate）可以理解为所有反类中，有多少被预测成正类（正类预测错误），给出定义如下： TNR（Tr...
机器学习中性能评估指标中的准确率（Accuracy）、召回率（Recall=TPR）、精确率（Precision）、误报率（FPR）、漏报率（FNR）及其关系
热门推荐
学习猴
04-07 2万+
目录 1.准确率（Accuracy） 2.召回率（Recall） 3.精确率（Precision） 4.召回率与精确率的关系 ​5.误报率（FPR）与漏报率（FNR） 1.准确率（Accuracy） 准确率是一个用于评估分类模型的指标。通俗来说，准确率是指我们的模型预测正确的结果所占的比例。 正式点说，准确率的定义如下： 对于二元分类，也可以根据正类别和负类别按如下方式计...
机器学习之性能度量指标
answer3lin的博客
12-06 6026
机器学习的模型性能度量指标 在机器学习中，衡量，评估和选择一个模型好坏是通过一些常见指标实现的，称之为性能指标(Metrics)。 对于一个二分类问题，我们首先给出如下基本指标基于这些指标可以推导出其他指标： ：True Positive(真正, TP)，即模型预测为正的正样本个数（将正类预测为正类数） ：False Positive(假正, FP)，即模型预测为正的负样本个数（本来是负样...
总结常见评价指标
qq_43456497的博客
05-09 727
整理一下在机器学习中常见的评价指标，包括： - 混淆矩阵，TPR，FPR，TNR，FNR； - Precision，Recall，Accuracy，F-score(F1-meature) - ROC曲线，AUC；
python实现二分类和多分类的ROC曲线教程
09-16
3. 计算FPR和TPR：利用`roc_curve`函数计算FPR和TPR的值。 4. 绘制曲线：使用`matplotlib`库绘制ROC曲线，X轴为FPR，Y轴为TPR。 5. 计算AUC：使用`auc`函数计算ROC曲线下的面积。 对于多分类问题，可以计算每个类别...
matlab开发-简单线性分类和接收操作特征绘图
08-24
ROC曲线描绘了真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）之间的关系，其中TPR是真正例的比例，FPR是假正例的比例。在MATLAB中，可以使用`perfcurve`函数绘制ROC曲线： ```matlab ...
机器学习之评价分类结果
01-20
6. **TPR（真正例率）与FPR（假正例率）**：TPR表示被正确识别的正例占所有正例的比例，而FPR表示被错误识别为正例的负例占所有负例的比例。两者常用于构建ROC曲线。 7. **ROC曲线**：ROC曲线是以FPR为横轴，TPR为...
5_roc_SVM分类_机器学习_
09-29
然后，我们计算TPR和FPR，即在一系列阈值下，正类被正确识别的比例和负类被错误识别的比例。将这些值绘制在坐标图上，就形成了ROC曲线。曲线下面积（AUC，Area Under the Curve）是衡量模型性能的一个综合指标，AUC...
人脸识别常用评价指标
niuniu0243111006的博客
05-23 3515
参考链接： 1、https://blog.csdn.net/blueblood7/article/details/41823593 2、https://blog.csdn.net/lijiao1181491631/article/details/54407830?utm_source=blogxgwz0 3、https://blog.csdn.net/u014696921/article/d...
Detection：目标检测常用评价指标的学习总结（IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC）
目前涉及领域：目标检测，语义分割以及数字图像处理
11-08 5974
1. 第一部分介绍IoU这个指标的含义和计算方法。 2. 第二部分介绍TP、FP、TN、FN这四个指标的含义，以及在目标检测中的使用方法。 3. 第三部分介绍Accuracy、Precision、Recall、F1-score这四个指标的含义，以及在单类别和多类别下的计算方法。 4. 第四部分介绍P-R曲线、AP和mAP这个三个指标的含义和计算方法。 5. 第五部分介绍ROC曲线和AUC这个两指标的含义和计算方法。 6. 最后还最后还附上了yolov5计算指标代码的部分解释，并举例说明。详情参见附录。
FAR(FPR)与FRR(FNR)的曲线绘图以及EER计算绘图
qq_31460511的博客
04-01 2598
简介 首先本文的目的是给写论文或做数据结果处理可视化的同学一个良好的现成函数，画出如下FAR-FRR对比较优雅的结果图，如下图所示。在csdn上没有发现较好地资源，于是就自己在写论文时手写了一个，并在此分享一哈，如果有bug，欢迎留言，本人会再修复。 本作图基于MATLAB代码实现，本代码比较最大的优点：清晰，美观，能在多个曲线中区分不同结果而不凌乱。 这里的颜色是经过自己精心地挑选后的结果，并且不同的线对应的点的形状也不同，可以更好地在多个曲线情况下实现明显区分，这里最多可以画出七条FAR-FRR对。实际
最小错误率贝叶斯决策：实现低误报率的恶意软件检测系统
最新发布
禅与计算机程序设计艺术
12-27 684
1.背景介绍 恶意软件(malware)是指欺骗性、破坏性或其他不受许可的软件。恶意软件包括病毒、蠕虫、恶意脚本、后门、恶意软件下载器、Rootkit、Trojan horse、worm、Keylogger、Ransomware等。恶意软件可以通过网络、电子邮件、USB闪存设备、软件下载等途径传播。恶意软件对个人和组织造成的损失非常大，因此，恶意软件检测系统的研发至关重要。 恶意软件检测系统的...
漏报率和误报率
weixin_43178406的博客
07-12 1万+
漏报：进门时保安没有把小偷识别出来，让他进门了，可理解为漏网之鱼。 误报：保安一时糊涂将一个好人当成小偷抓起来了，错怪好人 漏报率：错误的当成正确的个数/错误的个数，也就是1-recall 误报率：正确的当成错误的个数/正确的个数，也就是FPR（假正率） ...
roc_curve运行机制
weixin_39379635的博客
08-11 785
roc_curve()函数运行原理
机器学习-基础知识 - Precision, Recall, Sensitivity, Specificity, Accuracy, FNR, FPR, TPR, TNR, F1 Score
zywvvd的博客
05-05 1万+
本文介绍机器学习中的二分类性能评估指标Precision, Recall, Sensitivity, Specificity, Accuracy, FNR, FPR, TNR, TPR, F1 Score, Balanced F Score基本含义，给出公式和具体算例，并作简要分析。 基础定义 评估指标 预测结果 正样...
代价敏感错误率与代价曲线
lg201601的博客
05-18 3642
现实情况中不同类型的错误所造成的结果不同，影响也不尽相同，例如将健康的患者诊断为病人和将病人诊断为健康的人，虽然看起来都是犯了一次错误但是影响是不相同的：前者只是增加了再一次诊断的麻烦，而后者则会导致病人错过最佳的治疗时机。因此为了权衡不同类型错误所造成的不同的损失，可为错误赋予“非均等代价（unequal cost）”。 以二分类为例：可设定一个代价矩阵（cost matrix） 真实类别 预测 第0类 结果 第1类 .
目标检测（二）——评价指标
quanwei的博客
05-10 1万+
在进行目标目标检测之前，需要了解一下目标检测中常使用的评价指标，这样能够更好地帮着我们了解模型的实用性。 1. TP、FP、TN、FN、Recall、Precision 2. TPR、TFR、FPR、FNR 3. AP、mAP、P-R曲线 4. ROC曲线、AUC 5. IOU 6. Fps、FLOPS 1. TP、FP、TN、FN、Recall、Precision ...
FNR FPR python
09-04
FNR (False Negative Rate) 和 FPR (False Positive Rate) 是与二分类模型相关的评估指标。 在 Python 中，可以通过以下方法计算 FNR 和 FPR： 1. 首先，需要确定真实标签和预测标签。假设真实标签存储在列表 `y_true` 中，预测标签存储在列表 `y_pred` 中。 2. 然后，可以使用 scikit-learn 库中的 `confusion_matrix` 函数计算混淆矩阵。混淆矩阵是一个二维数组，用于统计模型的预测结果与真实结果的匹配情况。 ```python from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_true, y_pred) ``` 3. FNR 表示被错误地预测为负类的样本在所有真实负类样本中的比例。可以计算 FNR 如下： ```python fnr = cm[1][0] / (cm[1][0] + cm[1][1]) ``` 其中，`cm` 表示真实标签为正类、但被错误地预测为负类的样本数，`cm` 表示真实标签为正类、且被正确地预测为正类的样本数。 4. FPR 表示被错误地预测为正类的样本在所有真实负类样本中的比例。可以计算 FPR 如下： ```python fpr = cm[0][1] / (cm[0][0] + cm[0][1]) ``` 其中，`cm` 表示真实标签为负类、但被错误地预测为正类的样本数，`cm` 表示真实标签为负类、且被正确地预测为负类的样本数。 这样，你就可以使用上述方法在 Python 中计算 FNR 和 FPR 了。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值