二分类问题混淆矩阵和相关参数

混淆矩阵

		预测的类
		+	-
实际的类	+	$f_{++}(TP)$	$f_{+-}(FN)$
	-	$f_{-+}(FP)$	$f_{--}(TN)$

相关术语：

TPFN

• 真正$(true\space positive \space,TP)$或者$f_{++}$,对应于被分类模型正确预测的正样本数。
• 假负$(false\space negative\space,FN)$或者$f_{+-}$,对应于被分类模型错误预测为负类的正样本数
• 假正$f(alse\space positive\space,FP)$或者$f_{-+}$，对应于被分类模型错误预测为正类的负样本数
• 真负$(ture\space negative\space,TN)$或者$f_{--}$,对应于被分类模型正确预测的负样本数

其他术语

真正率（true positive rate,TPR）

或者称灵敏度（sensitivity）
定义为被模型正确预测的正样本的比例，即：

TPR=TPTP+FN T P R = T P T P + F N

$$TPR=\dfrac{TP}{TP+FN}$$

真负率（ture negative rate,TNR）

或者称特指率（specificity）
定义为被模型正确预测的负样本的比例，即：

TNR=TNTN+FP T N R = T N T N + F P

$$TNR=\dfrac{TN}{TN+FP}$$

假正率（false positive rate,FPR）

定义为被预测为正类的负样本比例，即：

FPR=FPTN+FP F P R = F P T N + F P

$$FPR=\dfrac{FP}{TN+FP}$$

假负率（false negative rate,FNR）

定义为被预测为负类的正样本的比例，即：

FNR=FNTP+FN F N R = F N T P + F N

$$FNR=\dfrac{FN}{TP+FN}$$

召回率（recall）

度量被分类器正确预测的正样本的比例，即：

recall=TPTP+FN r e c a l l = T P T P + F N

$$recall=\dfrac{TP}{TP+FN}$$

精度（precision）

精度确定分类器断言为正类的部分实际为正类记录所占的比例，即：

precision=TPTP+FP p r e c i s i o n = T P T P + F P

$$precision=\dfrac{TP}{TP+FP}$$

$F_1$度量

精度和召回率可以合并为一个度量，称为$F_1$度量
原则上$F_1$为召回率和精度的调和均值

F1=21r+1p F 1 = 2 1 r + 1 p

$$F_1=\dfrac{2}{\dfrac{1}{r}+\dfrac{1}{p}}$$
一个高的 $F_1$度量值确保精度和召回率都比较高。