通俗理解TP、FP、TN、FN

通俗理解TP、FP、TN、FN

虽然学了很多遍，但还是经常弄混这几个概念。实在是太绕了，真真假假，假假真真。归根到底，其实是没有正确理解两个标志位的含义。

基本概念

首先要明白两个标志位分别表示什么含义？第一位表示分类器是否预测正确，第二位表示分类器的预测结果。因此我们应该从后往前看，先看预测结果是Positive（正样本）还是Negative（负样本）？再看分类器有没有预测正确。

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。

扩展概念

TP+FN：真实正样本的总和，正确分类的正样本数量+漏报的正样本数量。

FP+TN：真实负样本的总和，负样本被误识别为正样本数量+正确分类的负样本数量。

TP+TN：正确分类的样本总和，正确分类的正样本数量+正确分类的负样本数量。

TP和TN都好理解，直接看第二位P和N就很明确的看出代表的是正样本还是负样本的数量。怎么一眼看出来FP、FN实际代表的是正样本还是负样本的数量呢？这里先看预测结果是Postive还是Negative，然后取反即可。FP即正样本取反，实际是代表负样本的数量。FN即负样本取反，实际代表的是正样本的数量。

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)

Recall：查全率

Recall表征的是预测正确的正样本的覆盖率，查全率等于预测正确的正样本数量/所有正样本的总和，TP+FN实际就是Ground Truth的数量。Recall越大说明漏检的越少，Recall越小说明漏检的越多。

Recall=TP/(TP+FN)

我刚开始觉得这几个名词很难理解。其实究其原因，主要是中文翻译的问题。precision翻译为准确，recall翻译为召回。如果把它们分别翻译为查准率，查全率，相信大家很容易就理解其含义了。

Reference

【子豪兄】机器学习基础_哔哩哔哩_bilibili

JimmyHua：AP，mAP计算详解（代码全解）