准确率（accuracy）、召唤率(recall)和精确率（precision）、False Positive、True Positive、False Negative True Negativ的关系

动机

在网上查了一些，发现讲不是很全面，理解起来也有些费劲。我在看过这些结合自己的思考后写下这些
内容，在后面写了一个例子加深理解，希望对其他人有帮助。本文结合了以下三篇博客的内容：
https://blog.csdn.net/opensourcesdr/article/details/73334302
https://blog.csdn.net/weixin_39278265/article/details/103244758
https://zhuanlan.zhihu.com/p/146711298
如有错误请批评指正

FN FP TP TN

positive/negative（预测结果）：预测、判断为正/负
false/true（实际结果）：（通过真实的结果来得出）预测、判断为真/假。
False Positive (简称FP)：判断为正，判定错误。（实际为负）
False Negative (简称FN)：判断为负，判断错误。（实际为正）
True Positive (简称TP)：判断为正，且实际为正。判断正确。
True Negative (简称TN)：判断为负，且实际为负。判断正确。
真正例（TP）是指模型将正类别样本正确地预测为正类别。
真负例（TN）是指模型将负类别样本正确地预测为负类别。
假正例（FP）是指模型将负类别样本错误地预测为正类别。
假负例（FN）是指模型将正类别样本错误地预测为负类别。
正样本Negative = TN（实际为负，判断为负，判断正确）+FP（实际为负，判断为正，判断错误）
负样本Positive = TP（实际为正，判断为正，判断正确）+FN（实际为正，判断为负，判定错误）

Recall Precision F-Measure

1. 准确率(accuracy)=(TP+TN)/(TP+FN+FP+TN)
   通俗解释： 判断正确的样本占所有样本的比例。TP+FN+FP+TN为所有样本的数量
2. 错误率（error）=(FP+FN)/(TP+FN+FP+TN)
   通俗解释：判断错误的样本占总体样本的比例
   容易理解，准确率+错误率=1，因为，判定正确的样本数量+判定错误的样本数量=总体的样本数量
3. 精确率(precision)=TP/(TP+FP)
   通俗解释：你认为的正样本中，有多少是真的正确的概率
4. 召回率/真正率/查全率(Recall or True Positive Rate, TPR)=TP/(TP+FN)
   通俗解释：正样本中有多少是被正确地找出来的
5. 假负率/漏报率 （False Negative Rate, FNR）= FN /（TP+FN）
   通俗解释：正样本中有多少是被错误的找出来的。
   真正率+假负率=1
6. 假正率/误报率（ False Positive Rate, FPR）= FP / （TN+FP）
   通俗解释：在所有负样本（TN+FP）中，被误识别为真（FP）的样本比例
7. 真负率 （True Negative Rate, TNR）