Type I 错误和 Type II错误

最近看人脸检测的论文，遇到两个词不知其意：false-positive rate 和 false-negative rate。最后查wikipedia才知道其确切的意思。

机器学习的时候会将学习样例（example）分为正例（positive）和反例（negative）。当你训练一个分类器后，进行测试。对于正例，分类器可能正确的将其分类为正例，也可能错误的拒绝了这个样例，对于反例也是一样。

false-positive rate 是分类器将正例错误的分类为反例的数量与正例数量的比值，这类错误称为第一类错误，或是alpha错误。而 false-negative rate是分类器将反例错误的分类为正例的数量与反例数量的比值，这类错误称为第二类错误，或是beta错误。举个具体的例子：

假设我们 有 2000个人脸的图片和 4000个非人脸的图片。训练一个分类器进行测试。分类器将2000个人脸图片中的1980个图片都分到了人脸一类，还有20个人脸图片被分错了；将 4000个非人脸图片中的3000个都分到了非人脸类中，但是剩下的1000个都分错了。那么

false-positive rate= 20/2000 =1%而
false-negative rate=1000/4000=25%。

最后问候一下功夫网的先人。