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
- 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 - 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 - 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 - 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 - 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 - 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 - 真负率 (True Negative Rate, TNR)