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。
False Positive : False(检测模型不能成功地) Positive (判定出结果是Positive的)
False Negative : False(检测模型不能成功地) Negative (判定出结果是Negative的)
True Positive : True(检测模型成功地) Positive (判定出结果是Positive的)
True Negative : True(检测模型成功地) Negative (判定出结果是Negative的)
具体例子:
- 病者癌症为良性,检测结果为恶性,则为False Positive,假阳性
- 病者癌症为良性,检测结果为良性,则为True Positive,真阳性
- 病者癌症为恶性,检测结果为恶性,则为True Negative,真阴性
- 病者癌症为恶性,检测结果为良性,则为False Negative,假阴性
转载
true-positive,false-positive,true-negative,false-negative差别
考虑一个二分问题,即将实例分成正类(positive)或负类(negative)。对一个二分问题来说,会出现四种情况。如果一个实例是正类并且也被 预测成正类,即为真正类(True positive),如果实例是负类被预测成正类,称之为假正类(False positive)。相应地,如果实例是负类被预测成负类,称之为真负类(True negative),正类被预测成负类则为假负类(false
negative)。
列联表如下表所示,1代表正类,0代表负类。
预测
| ||||
1
|
0
|
合计
| ||
实际
|
1
|
True Positive(TP)
|
False Negative(FN)
|
Actual Positive(TP+FN)
|
0
|
False Positive(FP)
|
True Negative(TN)
|
Actual Negative(FP+TN)
| |
合计
|
Predicted Positive(TP+FP)
|
Predicted Negative(FN+TN)
|
TP+FP+FN+TN
|
从列联表引入两个新名词。
其一是真正类率(true positive rate ,TPR), 计算公式为
TPR=TP/ (
TP+
FN),刻画的是分类器所识别出的 正实例占所有正实例的比例。
另外一个是负正类率(false positive rate, FPR),计算公式为
FPR= FP / (FP + TN),计算的是分类器错认为负类的正实例占所有负实例的比例。
还有一个真负类率(True Negative Rate,TNR),也称为specificity,计算公式为TNR=
TN/ (
FP+
TN) = 1 -
FPR。