本文介绍了二元分类的基本概念，包括假阴性（FN）、假阳性（FP）、真阴性（TN）和真阳性（TP），并解释了它们在分类中的含义。同时，文章探讨了查准率（Precision）和查全率（Recall）的概念，以及它们在衡量分类效果中的作用。通过混淆矩阵帮助理解这些指标。
本文参考：http://www.cnblogs.com/rainduck/archive/2012/11/11/2765395.html
最近在coursera学习《Mastering Data Analysis in
Excel》课程，第一周还很简单，第二周开始学习Binary
classification，从没接触过的概念，又是英语授课，所以有点蒙了，赶紧网上补充学习下：
FN：False
Negative,被判定为负样本，但事实上是正样本。
FP：False
Positive,被判定为正样本，但事实上是负样本。
TN：True
Negative,被判定为负样本，事实上也是负样本。
TP：True
Positive,被判定为正样本，事实上也是正样本。
这样比较好记忆：把缩写分为两个部分，第一个字母(F,T)和第二个字母(P,N)。首先搞清楚第二个字母，即它是你认为该样本的归属应该是怎样(Positive
or Negative)；第一个字母即是对你的判断进行的评价(False or
True)。这里也许中文可能会有不好理解的地方，所以我想用英文来描述，可能更清晰：第二个字母：What's your
judgement about the sample?；第一个字母：Is your judgement right(true) or
not(false)?
Precision Ratio:
查准率，即在检索后返回的结果中，真正正确的个数占你认为是正确的结果的比例。
Recall Ratio:
查全率，即在检索结果中真正正确的个数，占整个数据集(检索到的和未检索到的)中真正正确个数的比例。
Precision= TP/(TP+FP)
，即下图中的1/(1+3)，检索结果中，都是你认为应该为正的样本(第二个字母都是P)，但是其中有你判断正确的和判断错误的(第一个字母有T
，F)。
Recall=
TP/(TP+FN)，即下图中的1/(1+2)，你判断为正的样本也确实为正的，以及那些没在检索结果中被你判断为负但是事实上是正的(FN)。
轰炸机还是海鸥
- 混淆矩阵
混淆矩阵
- Wikipedia
1056
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
