什么是Precision和Recall和FPR和TPR？

提出的原因–Acc的作用有时候并不好。

我们看这样的一个问题，新冠肺炎的问题。我们构建一个模型是用来测试大家有没有感染新冠肺炎。
这样的话，在当今中国绝大多数的人都不感染肺炎，那么我提出这样一个模型，就是我认为大家都不感染肺炎，你会惊奇的发现，这个随便提出的模型的正确率竟然可以超过99.9%。他的效果非常好然后就可以投入使用了。
但是，这个模型将带来灾难性的结果，因为如果放过一个感染者，他马上就能变出一片来。
显然，现在正确率已经不解决问题了，我们需要Recall和

那么这俩是什么呢？

TP的意思是：本身是对的，然后预测为对的。
FP的意思是：本身是错的，然后预测为对的。
FN的意思是：本身是对的，然后预测为错的。
TN的意思是：本身是错的，然后预测为错的。

具体的公式：

可以看到Precision的目标是：发现的里面有多少确实是，也就是对我们预测的结果进行评估。
可以看到Recall的目标是：确实是的里面有多少被发现，也就是对识别和发现能力进行评估。

FPR和TPR（都是以实际上的分类来算的）

我们注意一个关键点就是这里的所有的Rate的分母都是实际为正和实际为负的个数这个和前面的precission和recall是不大一样的。
真阳性(True Positive Rate)：分类器正确分类且本身为正例。也就是在正例当中我们成功找出来了多少正例。
真阴性(True Negative Rate)：分类器正确分类且本身为负例。也就是我们实际上把负例找出来多少。
假阳性(False Positive Rate)：分类器错误分类本身为负例。也就是我们实际上在本身为负的里面到底预测了错了多少。
假阴性(False Negative Rate)：分类器错误分类本身为正例。也就是我们在实际上是正例当中我们预测错了多少。