看懂论文的机器学习基本知识（三）--假正例、假负例、ROC曲线

 一、假正例和假负例

假正例（False Positive）：预测为1，实际为0的样本

假负例（False Negative）:预测为0，实际为1的样本

实际预测中，那些真正例（True Positive）和真负例（True Negative）都不会造成损失（cost）。

那么，我们假设一个假正例的损失是L_FP，一个假负例的损失是L_FN。

我们可以得到一个损失矩阵：

	y^=1	y^=0
y=1	0	LFN
y=0	LFP	0

其中，y是真实值，y^是预测值。

那么，我们可以得到一个样本的后验期望损失：