TP、TN、FP、FN超级详细解析

最新推荐文章于 2024-05-30 14:21:38 发布
最新推荐文章于 2024-05-30 14:21:38 发布
阅读量9.1w 收藏 336
点赞数 81
分类专栏： Deep Learning 文章标签： 机器学习 TP、TN、FP、FN
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/dongjinkun/article/details/109899733
版权

以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。

一、基础概念

  • TP：被模型预测为正类的正样本
  • TN：被模型预测为负类的负样本
  • FP：被模型预测为正类的负样本
  • FN：被模型预测为负类的正样本
    在这里插入图片描述

二、通俗理解（以西瓜数据集为例）

以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。

  • TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜）
  • TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜）
  • FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是被模型预测为了好瓜）
  • FN：被模型预测为坏瓜的好瓜（瓜是真正的好瓜，但是被模型预测为了坏瓜）

三、查准率、查全率

还是以西瓜数据集为例

（1）查准率、查全率代表的含义
  • 查准率：模型挑出来的西瓜中有多少比例是好瓜
  • 查全率：所有的好瓜中有多少比例是被模型挑出来的
（2）如何计算查准率、查全率

查准率用P来表示：
在这里插入图片描述
查全率用R来表示：
在这里插入图片描述

底层研究生
关注
  • 81
    点赞
  • 踩
  • 336
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 20
    评论
专栏目录
图像分割质量得分：让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，骰子，Jaccard-matlab开发
05-28
图像分割质量得分让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，Dice，Jaccard =============================================== Dang NH Thanh版权所有2019。 电子邮件：thanh.dnh.cs@gmail.com 网站： https ： //sites.google.com/view/crx/sdm 您需要安装统计信息和图像处理工具箱++++++++++++++++++++++++++++++++++++++++++++++++++ 请引用以下论文： Thanh，DNH等。 “基于自适应主曲线和图像衍生运算符的视网膜眼底血管血管分割方法。” ISPRS-摄影测量，遥感和空间信息科学的国际档案，第1卷。 XLII-2 / W12，哥白尼公司，2019年5月，第211–18页，doi
一文记住什么是TP/TN/FP/FN？
qq_65052774的博客
10-25 5052
这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
最新发布
qq_64431512的博客
05-30 2158
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
TP、TN、FP、FN、Acc、Pre、Sen、Rec、F1含义
wangml_7的博客
12-03 3779
引用自此博文 1、 TP，TN，FP，FN的理解 定义 第一个字母T/F代表预测的结果是否和实际情况相符：即如果真实情况为正样本（P），预测为正样本（P），则为T；如果真实情况为负样本（N），预测为负样本（N），则为T；如果真实情况为P，预测为N，则为F；如果真实情况为N预测为P，则为F。 第二个字母P/N代表预测结果的正负：如果预测为正样本，则为P；如果预测为负样本，则为N。 TP：true positive，被判定为正样本，事实上也是正样本； TN：true negative，被判定为负样本，事实上也是
通俗理解TP、FP、TN、FN
GXQ的博客
11-27 1491
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。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。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。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。
通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵,含仿真操作录像
04-11
3.内容：通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵。 %使用特征和标签初始化分类器类 S2=简单分类器（meas，labels，'virginica'）； %运行留一出交叉验证 S2=S2.class_LOOCV（“线性”）； %显示...
输入TP，TN，FP和FN，然后输出混淆矩阵和评价指标的Python代码
04-08
输入TP，TN，FP和FN，然后输出混淆矩阵的Python代码： ① 运行代码后，输入TP，TN，FP和FN（输完一个数后按回车）； 部分代码： # 输入TP，TN，FP，FN TP = int(input("请输入TP：")) TN = int(input("请输入TN：...
来自 2 个矩阵的 True Positives、False Positives、True Negatives、False Negatives：返回 TP、FP、TN、FN 给定 2 个用 1 和 0 填充的矩阵-matlab开发
06-01
- 这个简单的函数接受 2 个由 1 和 0 填充的大小相等的矩阵，并返回真阳性、假阳性、真阴性、假阴性的数量，以便计算精度和召回率- 第一个矩阵是真正的矩阵- 第二个矩阵是从使用的算法填充的- 基于二进制分类返回...
Python-深度学习显着对象检测的代码总结
08-11
在Python编程环境中，深度学习被广泛应用于各种领域，其中之一就是显著对象检测（Salient Object Detection，简称SOD）。显著对象检测旨在识别图像中最重要的部分，这些部分通常吸引人的注意力。...
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 7374
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
【目标检测】评判指标：TP、TN、FP、FN、Precision、Recall、mAP。
See_Star的博客
02-19 5449
交并比IoU、准确率precision、查全率recall、mAP概念通俗解释。
多分类中混淆矩阵的TP,TN,FN,FP计算
m0_62919535的博客
09-16 4001
创建混淆矩阵# 寻找GT中为目标的像素索引# 统计像素真实类别t[k]被预测成类别p[k]的个数@property"""计算混淆矩阵的TN, FP, FN, TP"""if n == 2:if n > 2:"""主要在eval的时候使用,你可以调用ravel获得TN, FP, FN, TP, 进行其他指标的计算计算全局预测准确率(混淆矩阵的对角线为预测正确的个数)计算每个类别的准确率计算每个类别预测与真实目标的iou,IoU = TP / (TP + FP + FN)"""
TP、TN、FP、FN、map、Precision、Recall
ansf_fei的博客
03-08 1597
TP、TN、FP、FN、map、Precision、Recall
目标检测 TP\FP\FN\TN如何理解？FN和TN无意义
pangxing6491的博客
07-01 1万+
1、TP TN FP FN的概念 TP TN FP FN里面一共出现了4个字母，分别是T F P N。 T是True； F是False； P是Positive； N是Negative。 T或者F代表的是该样本 是否被正确分类。 P或者N代表的是该样本 被预测成了正样本还是负样本。 TP（True Positives）意思就是被分为了正样本，而且分对了。 TN（True Negatives）意思就是被分为了负样本，而且分对了， FP（False Positives）意思就是被分为了正样本，但是分错了（事
深度学习保姆级入门教程 -- 论文+代码+常用工具
热门推荐
奋斗の博客
06-11 2万+
导读 该篇文章可以看作是我研一如何入门深度学习的一个大总结，本人本科专业为软件工程，硕士期间研究方向为基于深度学习的图像分割，跨度相对而言不算太大，。如果你对如何入门深度学习还很迷茫的话，那么看下去吧。 一、Python的学习 虽然是深度学习入门教程，但是Python的学习是必不可少的，一套完整神经网络代码是由Python串起来的，网络结构部分主要是靠PyTorch实现。 二、必读入门论文 建议按照顺序依次往下看： LeNet：https://ieeexplore.ieee.org/abstract/d
都2021年了，不会还有人连深度学习都不了解吧（二）- 卷积篇
奋斗の博客
05-28 1万+
一、前言 上篇文章详细阐述了激活函数是什么、常用的激活函数有哪些以及为什么要使用激活函数，相信大家对此有了一定的了解。在此基础上，我们趁热打铁，继续学习深度学习其它必须的知识。该篇文章讲述卷积操作及其它衍生出的操作，我愿称之为最强！卷积自提出以来，凭借其优异的提取特征的能力，已逐渐称为现代CNN网络中必不可少的组成部分，并引发了基于深度学习的方法研究计算机视觉的浪潮！ 二、普通卷积 在阐述卷积的工作原理之前，我们需要了解一下为什么要使用卷积，以及卷积神经网络相较于全连接神经网络的优势体现在哪里。 2.1
Deep Learning中常见图、线的绘制 -- ROC、PR、箱线图、折线图、损失变化图
奋斗の博客
11-26 9956
前言 一篇好的论文中图和表是必不可少的，本人结合自己写论文过程中用到的一些图、线，并对此稍加整理整合，汇总成本文。本文基于Python语言实现。 一、ROC曲线 二、PR曲线 三、折线图 四、箱型图 五、损失变化图 参考文献 ...
python 两个图像的tp tn fp fn
05-31
在Python中，可以使用sklearn.metrics库中的confusion_matrix函数来计算TP、TN、FP、FN。示例代码如下： ```python from sklearn.metrics import confusion_matrix y_true = [0, 1, 0, 1, 1] # 实际标签 y_pred = [1, 1, 0, 1, 0] # 预测标签 tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel() print(f"TP = {tp}, TN = {tn}, FP = {fp}, FN = {fn}") ``` 输出结果为：TP = 2, TN = 1, FP = 1, FN = 1。
评论 20
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

打赏作者

底层研究生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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