TP: true postive,实际上是正样本,预测也为正样本,真正
FP:false postive,实际上是负样本,预测为正样本,真负
FN:false negative,实际上是正样本,预测为负样本,假负
TN:true negative,实际上是负样本,预测为负样本,真负
precision :精准率 = TP/(TP+FP)
Recall :召回率 = TP/(TP+FN)
Accuracy :准确率 = (TP+TN)/(TP+TN+FP+FN)
(1)若一个实例是正类并且被预测为正类,即为真正类(True Postive TP)
(2)若一个实例是正类,但是被预测成为负类,即为假负类(False Negative FN)
(3)若一个实例是负类,但是被预测成为正类,即为假正类(False Postive FP)
(4)若一个实例是负类,但是被预测成为负类,即为真负类(True Negative TN)
TP:正确的肯定数目
FN:漏报,没有找到正确匹配的数目
FP:误报,没有的匹配不正确
TN:正确拒绝的非匹配数目
对于每个混淆矩阵,我们计算两个指标TPR(True positive rate)和FPR(False positive rate),TPR=TP/(TP+FN)=Recall,TPR就是召回率。FPR=FP/(FP+TN),FPR即为实际为好人的人中,预测为坏人的人占比。我们以FPR为x轴,TPR为y轴画图,就得到了ROC曲线。