（机器学习）评估指标的贝叶斯理解

		预测结果
		1	0
实际情况	1	真正例 (TP)： 实际情况：Tor  预测结果：Tor  TP 结果数：1	假负例 (FN)：——漏报 实际情况：Tor  预测结果：no-Tor FN 结果数：8
	0	假正例 (FP)：——误报 实际情况：no-Tor 预测结果：Tor  FP 结果数：1	真负例 (TN)： 实际情况：no-Tor 预测结果：no-Tor TN 结果数：90	误报率=
			漏报率=

 

All = TP+FN +FP+TN

 

先验知识：

• P(实际) = (TP+FN)/All
• P(预测) = (TP+FP)/All

 

召回率：P(预测|实际) = TP/(TP+FN)

误报率：P(预测|~实际) =FP/(FP+TN) 

精确率：P(实际|预测) = TP/(TP+FP) 

漏报率：P(实际|~预测) =TN/(FP+TN) 

其中，在入侵检测领域，精确率也叫贝叶斯检测率（BDR），即 P（预测|实际）* P（实际）/ （P（实际）* P（预测|实际）+ P（〜实际）* P（预测|实际））。