分类--真与假以及正类别与负类别

在本部分，我们将定义用于评估分类模型的指标的主要组成部分。不过，我们先来看一则寓言故事：

---

伊索寓言：狼来了（精简版）

有一位牧童要照看镇上的羊群，但是他开始厌烦这份工作。为了找点乐子，他大喊道：“狼来了！”其实根本一头狼也没有出现。村民们迅速跑来保护羊群，但他们发现这个牧童是在开玩笑后非常生气。

[这样的情形重复出现了很多次。]

一天晚上，牧童看到真的有一头狼靠近羊群，他大声喊道：“狼来了！”村民们不想再被他捉弄，都待在家里不出来。这头饥饿的狼对羊群大开杀戒，美美饱餐了一顿。这下子，整个镇子都揭不开锅了。恐慌也随之而来。

---

我们做出以下定义：

• “狼来了”是正类别。
• “没有狼”是负类别。

我们可以使用一个 2x2 [混淆矩阵](/machine-learning/crash-course/glossary#confusion_matrix] 来总结我们的“狼预测”模型，该矩阵描述了所有可能出现的结果（共四种）：

真正例 (TP)： 真实情况：受到狼的威胁。 牧童说：“狼来了。” 结果：牧童是个英雄。	假正例 (FP)： 真实情况：没受到狼的威胁。 牧童说：“狼来了。” 结果：村民们因牧童吵醒他们而感到非常生气。
假负例 (FN)： 真实情况：受到狼的威胁。 牧童说：“没有狼”。 结果：狼吃掉了所有的羊。	真负例 (TN)： 真实情况：没受到狼的威胁。 牧童说：“没有狼”。 结果：大家都没事。

真正例是指模型将正类别样本正确地预测为正类别。同样，真负例是指模型将负类别样本正确地预测为负类别。

假正例是指模型将负类别样本错误地预测为正类别，而假负例是指模型将正类别样本错误地预测为负类别。

在后面的部分中，我们将介绍如何使用从这四种结果中衍生出的指标来评估分类模型。

---

引用

分类 (Classification)：真与假以及正类别与负类别

转载于:https://www.cnblogs.com/taro/p/8643269.html