虚警率、漏警率

一、相关概念

1、真实值actual value和预测值predicted value

这两者就是字面的意思，actual value是指真实记录的已发生的测量结果值，而predicted value是指对未发生的预测值。这里的值既可以是数值型，也可以是类别型。

2、真True、假False

这两个表示的是真实值与预测值之间是否吻合，true表示的是预测值与真实值一致，而false表示的是预测值与真实值不一致。

3、阳性Positive（正）、阴性Negative（负）

首先这里讨论的positive和negative不代表性别的取向，同时正和负也不代表正确或者错误。positive指条件或者事物存在，而negative指条件或者事物不存在。例如异常检测领域阳性positive代表存在异常，阴性negative代表不存在异常；如健康领域阳性positive代表检测存在病毒或者疾病，阴性negative代表检测结果是健康的。再如电子商务领域阳性positive代表点击或者成交，阴性negative代表未点击或者未成交。

二、分类指标的定义和说明（准确率、精确率、召回率、误报率、漏报率）

分为阳性（正，后面两者混用）样例   和   阴性（负，后面两者混用）样例

 正样本预测为正样本 的为 True positive（）

正样本预测为负样本 的为False negative（）

负样本预测为正样本 的为False positive（）

负样本预测为负样本 的为True negative（）

所以有，  （理解）

 

1、准（正）确率accuracy

反映分类器或者模型对整体样本判断正确的能力，即能将阳性（正）样本positive判定为positive和阴性（负）样本negative判定为negative的正确分类能力。值越大，性能performance越好

这里注意，在负样本占绝对多数的场景中，不能单纯追求准确率，因为将所有样本都判定为负样本，这种情况下准确率也是非常高的。

2、精确率precision

反映分类器或者模型正确预测正样本精度的能力，即预测的正样本中有多少是真实的正样本。值越大，性能performance越好

这里注意，单纯追求精确率，会造成分类器或者模型少预测为正样本，这时低，即精确率就会很高。

3、召回率recall，也称为真阳率、命中率（hit rate）

反映分类器或者模型正确预测正样本全度的能力，增加将正样本预测为正样本，即正样本被预测为正样本占总的正样本的比例。值越大，性能performance越好

这里注意，单纯追求召回率，会造成分类器或者模型基本都预测为正样本，这时低，即召回率就会很高。

4、误报率false alarm，也称为假阳率、虚警率、误检率

反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。值越小，性能performance越好

5、漏报率miss rate，也称为漏警率、漏检率

反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。值越小，性能performance越好