分类度量指标

医学图像的二分类问题

针对一个二分类问题，我们将实例分成正类（positive）（阳性即有病、恶性）和（negative）（阴性即无病、良性）两种。

混淆矩阵（confusion matrix）

在实际的预测过程中会出现，会出现以下四种情况：

• 真阳性（true positive, TP）：预测出来是阳性，实际也为阳性的数目
• 假阳性（false positive, FP）：预测出来时阳性，实际为阴性的数目 （误诊）
• 真阴性（true Negative, TN）：预测出来是阴性，实际也为阴性的数目
• 假阴性 （false Negative, FN）：预测出来是阴性，实际为阳性的数目（漏诊）

混淆矩阵指的是以上四种情况相互之间的关系，其实就是一个表格，https://blog.csdn.net/super_he_pi/article/details/82772433 中有详细的介绍


其中重要的概念定义如下：

• 真阳性率 （TPR）灵敏度（sensitivity） 又称为 召回率（recall）简单来说就是分类模型能够诊断出实际为恶性的病例中的多少病例
• 真阴性率 (TNR) 特异度（specificity） 简单说就是诊断出的阴性病例占总阴性病例的多少
• 假阴性率（FNR）也被称为漏诊率 =1-灵敏度 阳性病例没能检查出来
• 假阳性率 （FPR）也被称为误诊率=1-特异度 阴性被检查成阳性
• 准确率（accuracy）是对整个分类模型来说的，指诊断对的病例占总病例的多少
• 精准率（precision）指检查出的真阳性病例占诊断出的所有的阳性病例的多少