TP，TN，FP，FN，Precision，Recall，sensitivity，specificity，FPR，TPR，F1值，ROC曲线，PR曲线的解释

最新推荐文章于 2025-08-01 11:01:11 发布

原创最新推荐文章于 2025-08-01 11:01:11 发布 · 置顶 · 1.2w 阅读

36 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #评价指标 #ROC曲线

机器学习专栏收录该内容

8 篇文章

订阅专栏

本文详细介绍了机器学习中常用的评估指标，包括TP、FP、TN、FN等基本概念，并通过这些参数引出了Recall、Precision、F1-score等重要指标的定义及计算方式。此外，还介绍了ROC曲线和PR曲线的绘制原理。

参数定义

在机器学习里面，通过会用到一些评价指标提到ROC曲线，F1-score等问题，这篇文章主要讲述了各参数是如何定义的，以及相互之间的关系。

首先，看一张表格：

预测\实际	正	负
正	TP	FP
负	FN	TN

接下来，解释着四个参数的具体含义

TP：实际是正例，预测为正例
FP：实际为负例，预测为正例
TN：实际为负例，预测为负例

FN：实际为正例，预测为负例

公式推导

Recall=sensitivity=TPR=TP/(TP+FN)，真正率，可理解为正确的被判断为正确的

Precision=TP/(TP+FP)，准确度，预测为正类中，实际为正类的比例

FPR=FP/(FP+TN)，负正类率

specificity=TN/(TN+FP)=1-FPR，真负率，可理解为错误的被判断为错误的

2/F1-score=1/P+1/R ，F1值

ROC曲线：以TPR，FPR为Y轴，X轴绘制而成

PR曲线：以Precision，Recall为Y轴，X轴绘制而成

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

罗伦

关注关注

7
点赞
踩
36

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现

钱多多先森

08-14

4万+

深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述

【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

9818

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

1 条评论您还未登录，请先登录后发表或查看评论

1 条评论

种向日葵的小仙女 2018.03.07
楼主写的真是通彻易懂，关注你了。

precision，recall，sensitivity， specificity ，mAP等几种评价指标

weixin_43508499的博客

08-07

1万+

目录1.图像分类准确率Accuracy2.Accuracy的缺点3.什么是precision、recall以及F1指标、ROC曲线4.mAP的计算 1.图像分类准确率Accuracy 假设有测试样本100张图像，其中有90张预测对了类别，则准确率为： Accuracy = 90/100*100% = 90% 2.Accuracy的缺点假设测试样本100张，其中正例90张，负例10张，我们预测（瞎...

真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式

qq_43617906的博客

08-15

8258

真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式。混淆矩阵

简单理解精确率(Precision)，召回率(Recall)，准确率(Accuracy)，TP，TN，FP，FN

xiongxyowo的博客

07-29

3351

准确率常被用于衡量一个机器学习模型的综合性能。不过，由于实际应用中阴阳样本的比例大概率是不均衡的，阳性样本一般会很少，模型只要简单的将所有样本预测为阴性就可以获得一个很高的准确率。为了解决这一问题，才出现了更侧重于阳性本身的精确率，召回率这两个指标。召回率更侧重于衡量实际的阳性样本是否被遗漏(不能漏杀)。容易发现，假阴性FN越高，召回率就越低。精确率更侧重于衡量模型的阳性预测是否可靠(不能错杀)。容易发现，假阳性FP越高，精确率就越低。这四个词语，左半边表示的是。模型所给出的所有阳性预测。...

TP、FP、Precision、Recall、PR 曲线、IoU 与 mAP

最新发布

kkx2002的博客

08-01

863

在所有被模型“预测为正”的样本中，有多少是真正为正的？关注预测的准确性精确率越高 → 模型越不容易误报（FP 少）PR 曲线描述了模型在不同置信度阈值下的精确率与召回率的变化关系。横轴：Recall（召回率）纵轴：Precision（精确率）IoU=预测框 ∩ 真实框预测框 ∪ 真实框评价预测框与真实框的重合程度范围：[0, 1]，越大越好指标公式关注点应用场景IoU交并比区域重合度检测框质量Precision准确性医疗、安防等需控制误报的场景Recall完整性。

怎么理解TP,FP,FN，Precision,Recall

zhaoyqcsdn的博客

06-14

1312

指标关注点优化方向应用倾向Precision检测结果的可靠性减少误检（FP ↓）避免误判的系统Recall目标的覆盖率减少漏检（FN ↓）避免遗漏目标的系统F1 Score综合性能平衡 Precision 和 Recall需要兼顾两者的场景简单记忆Precision→ “模型检测结果有多准？Recall→ “模型能找到多少真目标？TP/FP/FN是构建这两个指标的基石。

深度学习分类常见评价指标：accuracy recall precision specificity sensitivity AUC ROC 曲线

qq_38895920的博客

05-22

4485

深度学习分类时常用到以下指标，这里做一个总结：首先介绍一些指标的定义： (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN）这四个部分可以构成一个混淆矩阵： ...

cv曲线面积的意义_评价标准专题：常见的TP、TN、FP、FN和PR、ROC曲线到底是什么...

weixin_39918747的博客

10-27

1429

评价标准True positives（TP，真正） : 预测为正，实际为正True negatives（TN，真负）：预测为负，实际为负False positives（FP，假正）: 预测为正，实际为负False negatives（FN，假负）：预测为负，实际为正TPR、FPR和TNRTPR（true positive rate，真正类率，灵敏度，Sensitivity）TPR = TP/(TP...

查全率（Recall），查准率（Precision），灵敏性（Sensitivity），特异性（Specificity），F1，PR曲线，ROC，AUC的应用场景...

weixin_30793643的博客

07-24

1391

之前介绍了这么多分类模型的性能评价指标（《分类模型的性能评价指标（Classification Model Performance Evaluation Metric）》），那么到底应该选择哪些指标来评估自己的模型呢？答案是应根据应用场景进行选择。查全率（Recall）：recall是相对真实的情况而言的：假设测试集里面有100个正类，如果模型预测出其中40个是正类，那模型的r...

分类性能评估指标 — 理论篇 — TP、TN、FP、FN，precision、recall、F1、PR曲线，sensitivity、specificity，FPR、TPR、ROC曲线

Sweety_Lin的博客

08-11

2499

1. 混淆矩阵：TP，TN，FP，FN TP：true positive，实际为正例，预测为正例 TN：true negative，实际为负例，预测为负例 FP：false positive，实际为负例，预测为正例 FN：false negative，实际为正例，预测为负例 2. precision, recall，F1，PR曲线 precision：精确率、查准率，预测为正例的样本中，实际为正例的样本所占的...

机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)

计算机硕士的博客

08-17

4958

机器学习入门教学——精度(Precision)、召回/真阳性率(Recall/TPR)、假阳性率(FPR)，精度与召回的区别。

一张图深入的理解FP/FN/Precision/Recall

算法与编程之美

07-07

1672

一张图深入理解机器学习的各种晦涩难懂的评价指标！

查准率（Precision），灵敏性（Sensitivity），特异性（Specificity），F1，PR曲线，ROC，AUC

Sagacity_1125的博客

06-16

8450

先来了解一下TP、FP、FN、TN的概念，可以帮助后面理解真实情况预测结果 P N P TP FN N FP TN 先说个结论：Recall = Sensitivity = TPR 查全率（Recall）分类器认为是正类并且确实是正类的部分占所有确实是正类的比

FP,FN,TP,TN与精确率(Precision),召回率(Recall),准确率(Accuracy)

littlehaes的博客

10-22

5万+

welcome to my blog 一: FP,FN,TP,TN 刚接触这些评价指标时,感觉很难记忆FP,FN,TP,TN,主要还是要理解,理解后就容易记住了 P(Positive)和N(Negative) 代表模型的判断结果 T(True)和F(False) 评价模型的判断结果是否正确比如FP:模型的判断是正例§,实际上这是错误的(F),连起来就是假正例以此类推: FP:假正例 FN:假负...

FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)评价指标详述

小詹学python的博客

08-19

1万+

分类的评判标准：TP、TN、FP、FN

willa_pudding的博客

07-25

1万+

这四个值所代表的意义应该是做模式分类需要知道的基本知识了。以前是用的时候用一次查一次，但好像每次理解都不是特别到位。现在觉得真正理解了很有必要，就认真记录一下，帮助理解。我们先从最简单的二分类说起：假设我们现在有两类，一个正类，一个负类。对于每一个样本，有两个标签。一个是真正所属类别的标签，另一个是我们通过训练测试所赋予它的标签。后者是否与前者一致就成为了我们评价分类器表现好坏的一个标准。

ROC曲线-阈值评价标准