浅析True Positives 、True Negatives、False Negatives、False Positive以及召回率和精度

先来解释下面四个的意思：

True Positive （真正, TP）被模型预测为正的正样本；

True Negative（真负 , TN）被模型预测为负的负样本 ；

False Positive （假正, FP）被模型预测为正的负样本；

False Negative（假负 , FN）被模型预测为负的正样本；

真正率：True Positive Rate（TPR）也称为灵敏度（Sensitivity）；
TPR = TP /（TP + FN）

真负率：True Negative Rate（TNR）也称为特指度（specificity）；
TNR = TN /（TN + FP）

假正率：False Positive Rate （FPR）；
FPR = FP /（FP + TN）

假负率：False Negative Rate（FNR）；
FNR = FN /（TP + FN）

召回率和精度：

X:系统检索到的相关文档;

Y:系统检索不到的相关文档；

Z:相关但是系统检测不到文档；

W:不相关但是系统检测到文档；

直观的说，一个好的检索系统检索到的相关文档越多越好，不相关文档越少越好．

召回率和精度是衡量信息检索系统性能最重要的参数．

召回率：用检索到相关文档数作为分子，所有相关文档总数作为分母，即 R=X/(X+Z);

精度： 用检索到相关文档数作为分子，所有检索到的文档总数作为分母．即 P=X/(X+Y).;