分类精度评价中的TP、TN、FP、FN的理解

最新推荐文章于 2023-11-14 16:16:12 发布
最新推荐文章于 2023-11-14 16:16:12 发布
阅读量1.7k 收藏
点赞数
文章标签： 分类 算法 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46676829/article/details/126851626
版权

TP、TN、FP、FN主要用来统计两类分类的问题，当然多个类别也可以分别统计。将样本分为正样本（positive）和负样本(negative)。

TP、TN、FP、FN中第一个字母表示分类器识别结果是否正确，正确用True的首字母T表示，错误用False的首字母F表示。第二个字母表示分类器的判定结果，P表示分类器判定为正样本，N表示分类器判定为负样本。所以：
TP：分类器识别正确，分类器认为该样本为正样本；
TN：分类器识别正确，分类器认为该样本为负样本；
FP：分类器识别结果错误，分类器认为该样本是正样本；所以实际上该样本是负样本；
FN：分类器识别结果错误，分类器认为该样本是负样本；所以实际上该样本是正样本；

举例：

在这里插入图片描述

在这个图中绿色的框是真实目标框，红色的框是分类器的预测框

最低0.47元/天 解锁文章
LHG@WL
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TP、TN、FP、FN超级详细解析
奋斗の博客
11-21 8万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
TP、TN、FP、FN 含义
weixin_40237209的博客
06-30 8042
什么是TP、TN、FP以及FN
机器学习中TP，TN，FP，FN，Acc，Pre，Sen, Rec的含义
热门推荐
tangxianyu的博客
10-09 2万+
1、 TP，TN，FP，FN的理解 定义 第一个字母T/F代表预测的结果是否和实际情况相符：即如果真实情况为正样本（P），预测为正样本（P），则为T；如果真实情况为负样本（N），预测为负样本（N），则为T；如果真实情况为P，预测为N，则为F；如果真实情况为N预测为P，则为F。 第二个字母P/N代表预测结果的正负：如果预测为正样本，则为P；如果预测为负样本，则为N。 TP：true posi...
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 7665
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
输入TP，TN，FP和FN，然后输出混淆矩阵和评价指标的Python代码
04-08
输入TP，TN，FP和FN，然后输出混淆矩阵的Python代码： ① 运行代码后，输入TP，TN，FP和FN（输完一个数后按回车）； 部分代码： # 输入TP，TN，FP，FN TP = int(input("请输入TP：")) TN = int(input("请输入TN：...
图像分割质量得分：让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，骰子，Jaccard-matlab开发
05-28
图像分割质量得分让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，Dice，Jaccard =============================================== Dang NH Thanh版权所有2019。 电子邮件：thanh.dnh....
通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵,含仿真操作录像
04-11
3.内容：通过matlab绘制数据的ROC曲线,并输出TN,FP,FN,TP混淆矩阵。 %使用特征和标签初始化分类器类 S2=简单分类器（meas，labels，'virginica'）； %运行留一出交叉验证 S2=S2.class_LOOCV（“线性”）； %显示...
浅谈keras中自定义二分类任务评价指标metrics的方法以及代码
09-16
然后，我们可以计算TP、TN、FP、FN，并根据这些基础指标计算出精确率、召回率和F1-score。以下是如何定义这些指标的代码示例： ```python import tensorflow as tf def metric_precision(y_true, y_pred): TP = ...
来自 2 个矩阵的 True Positives、False Positives、True Negatives、False Negatives：返回 TP、FP、TN、FN 给定 2 个用 1 和 0 填充的矩阵-matlab开发
06-01
- 这个简单的函数接受 2 个由 1 和 0 填充的大小相等的矩阵，并返回真阳性、假阳性、真阴性、假阴性的数量，以便计算精度和召回率- 第一个矩阵是真正的矩阵- 第二个矩阵是从使用的算法填充的- 基于二进制分类返回...
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 6943
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
学习笔记：二分类算法的评判标准
folk_的博客
05-11 1723
最近在写逻辑回归，不知道有什么分类的评判标准，问了导师之后了解到有F-Score、Roc、Auc等标准。 在画Roc图像之前，先去了解了很多关于分类的评判标准的术语，在此总结整理。 一、TP、TN、FP、FN 对于二分类，若默认positive为1，negative为0。则有： TP（TRUE POSITIVE）：预测正确（正确的预测成正例），即样本值为1，预测值为1 ...
目标检测常用评估指标
最新发布
weixin_45837200的博客
11-14 563
正样本即，比如缺陷检测中的麻点、划痕、破洞等；负样本即，背景不包含麻点、划痕、破洞等。
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式
qq_43617906的博客
08-15 3443
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式。混淆矩阵
python中fn是什么意思_Fn.py：享受Python中的函数式编程
weixin_30595763的博客
02-03 1391
尽管Python事实上并不是一门纯函数式编程语言，但它本身是一门多范型语言，并给了你足够的自由利用函数式编程的便利。函数式风格有着各种理论与实际上的好处(你可以在中找到这个列表)： 虽然这份列表已经描述得够清楚了，但我还是很喜欢Michael O.Church在尽管Python事实上并不是一门纯函数式编程语言，但它本身是一门多范型语言，并给了你足够的自由利用函数式编程的便利。函数式风格有着各种理论...
机器学习中关于TP,TN,FP,FN的理解
qq_67002300的博客
09-30 1146
T/F---＞预测值和实际值是否相同 P/N---＞预测结果的正负 那么， TP---＞预测结果是正，实际也是正 TN---＞预测结果是负，实际也是负 FP---＞预测结果是正，实际是负 FN---＞预测结果是负，实际为正
TP、TN、FP、FN的理解
HC_wood的博客
08-10 571
在第2个单词的基础上理解第1个单词（即第2个单词是前提条件）判定为真的（positive），且判定对了（true）判定为假的（negative），且判定对了。判定为真的（positive），但判定错了。判定为假的（negative），且判定错了。
白话讲什么是TP、TN、FP、FN
Ricaido_che的博客
03-30 1159
其指的是被分配为正样本，而且分配对了的样本，代表的是被正确分类的正样本。其指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本。其指的是被分配为正样本，但分配错了的样本，代表的是被错误分类的负样本。其指的是被分配为负样本，但分配错了的样本，代表的是被错误分类的正样本。白话：本身为负样本，但却错误的预测为正样本，即。白话：正确的预测该样本，且样本为正样本，即。白话：正确的预测该样本，且样本为负样本，即。白话：本身为正样本，却错的预测为负样本，即。，也是模型最需要实现的东西。
分类算法的评估方法
cyy2learn的博客
01-23 554
几个常用的术语这里首先介绍几个常见的 模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negative）分别是： True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数； Fal...
python 两个图像的tp tn fp fn
05-31
在Python中，可以使用sklearn.metrics库中的confusion_matrix函数来计算TP、TN、FP、FN。示例代码如下： ```python from sklearn.metrics import confusion_matrix y_true = [0, 1, 0, 1, 1] # 实际标签 y_pred = [1, 1, 0, 1, 0] # 预测标签 tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel() print(f"TP = {tp}, TN = {tn}, FP = {fp}, FN = {fn}") ``` 输出结果为：TP = 2, TN = 1, FP = 1, FN = 1。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值