对于TP, TN, FP, FN, Pre, Recall的举例

汤宪宇

已于 2023-01-13 15:14:49 修改

阅读量1.3k

点赞数 1

分类专栏：机器学习文章标签：人工智能 python

于 2023-01-12 17:40:53 首次发布

本文链接：https://blog.csdn.net/tangxianyu/article/details/128662314

版权

机器学习专栏收录该内容

6 篇文章 4 订阅

订阅专栏

本文介绍了机器学习中用于评估模型性能的指标，包括真阳性(TP)，真阴性(TN)，假阳性(FP)和假阴性(FN)，以及精确度(Precision)和召回率(Recall)的概念。通过二分类问题的示例，详细解释了这些指标的计算方法，并使用Python的sklearn库进行验证，展示了如何在实际问题中应用这些概念。

摘要由CSDN通过智能技术生成

对于以上参数的概念以及理解，请参考我的文章：

机器学习中TP，TN，FP，FN，Acc，Pre，Sen, Rec的含义_汤宪宇的博客-CSDN博客_机器学习accz

这里我们在将上面概念的定义重新梳理一遍：

1.概念

TP：true positive，被判定为正样本，事实上也是正样本；

TN：true negative，被判定为负样本，事实上也是负样本；

FP：false positive，被判定为正样本，但事实上是负样本；

FN：false negative，被判定为负样本，但事实上是正样本；

精确度Precision： $Pre=\frac{TP}{TP+FP}$

召回率Recall： $Recall=\frac{TP}{TP+FN}$

2.举例说明

这里以二分类为例，分类结果为0和1，共有15个需要预测的结果。

假设真值和预测值结果如下：

真值	0	1	1	0	1	1	0	0	1	0	1	0	1	0	0
预测值	1	1	1	1	1	0	0	0	0	0	1	1	1	0	1

2.1 对于结果“1”来说

TP为预测为1，真值也为1的值，即图中深绿色底色的值，共有5个；

TN为预测为0，真值也为0的值，即图中橙色底色的值，共有4个；

FP为预测为1，但是预测错了，真值为0的值，即图中红色底色的值，共有4个；

FN为预测为0，但是预测错了，真值为1的值，即图中浅绿色底色的值，共有2个；

计算Pre=TP/(TP+FP)=5/(5+4)=55.56%

计算Recall=TP/(TP+FN)=5/(5+2)=71.43%

2.2 对于结果“0”来说

TP为预测为0，真值也为0的值，即图中深绿色底色的值，共有4个；

TN为预测为1，真值也为1的值，即图中橙色底色的值，共有5个；

FP为预测为0，但是预测错了，真值为1的值，即图中红色底色的值，共有2个；

FN为预测为1，但是预测错了，真值为0的值，即图中浅绿色底色的值，共有4个；

计算Pre=TP/(TP+FP)=4/(4+2)=66.67%

计算Recall=TP/(TP+FN)=4/(4+4)=50%

3. 程序验证

from sklearn.metrics import classification_report

true_data = [0,1,1,0,1,1,0,0,1,0,1,0,1,0,0]
pred_data = [1,1,1,1,1,0,0,0,0,0,1,1,1,0,1]

print(classification_report(true_data, pred_data))

得到的结果如下：

              precision    recall  f1-score   support

           0       0.67      0.50      0.57         8
           1       0.56      0.71      0.63         7

    accuracy                           0.60        15
   macro avg       0.61      0.61      0.60        15
weighted avg       0.61      0.60      0.60        15

和我们上面的计算一致。