分类精度评价

1、混淆矩阵(以二分类为例)

	标准集
验证集		真实的P样本（positive）	真实的N样本（Negtive）
	预测的P样本	TP(预测的P是真的)	FP(预测的P是假的)
	预测的N样本	FN(预测的N是假的)	TN（预测的N是真的）

现在开始解释各种真阳、假阴。

举例：由医学引入机器学习；

一个病人，长了个肿瘤，去医院检查，分别有以下情况：

1、真实情况：恶性，检查结果：恶性，这种情况就叫做：true positve，姑且称为真阳性吧。

2、真实情况：良性，检查结果：恶性，这种情况就叫做：false positve，假阳性。

3、真实情况：恶性，检查结果：良性，这种情况就叫做：false negative，假阴性。