TP、TN、FP、FN 含义

rogers-z

已于 2022-06-30 10:47:18 修改

阅读量8.1k

点赞数 5

文章标签： python 目标检测机器学习人工智能深度学习

于 2022-06-30 10:37:48 首次发布

本文链接：https://blog.csdn.net/weixin_40237209/article/details/125535734

版权

TP、TN、FP、FN解析

一、基础概念
TP：被模型预测为正类的正样本
TN：被模型预测为负类的负样本
FP：被模型预测为正类的负样本
FN：被模型预测为负类的正样本
TP、TN、FP、FN超级详细解析

二、通俗理解
以苹果好坏的二分类数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。

TP：模型预测是好果,预测正确（实际是好果，而且也被模型预测为好果）
TN：模型预测是坏果,预测正确（实际是坏果，而且也被模型预测为坏果）
FP：模型预测是好果,预测错误（实际是坏果，但是被模型预测为了好果）
FN：模型预测是坏果,预测错误（实际是好果，但是被模型预测为了坏果）

三、查准率、查全率

（1）查准率、查全率代表的含义
查准率：模型挑出来的苹果中有多少比例是好果
查全率：所有真正的好果中有多少比例是被模型挑出来的

（2）计算查准率、查全率
查准率用P来表示：TP/(TP+FP)
查全率用R来表示：TP/(TP+FN)

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

rogers-z

关注关注

5
点赞
踩
20

收藏

觉得还不错? 一键收藏
1
评论
TP、TN、FP、FN 含义

什么是TP、TN、FP以及FN
复制链接

扫一扫

【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率

钱多多先森

06-08

7580

对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标

TP TN FP FN目标检测评估指标

苏打水的杯子的博客

05-18

559

1. TP TN FP FN GroundTruth预测结果 TP（True Positives）：真的正样本=【正样本被正确分为正样本】 TN（True Negatives）：真的负样本= 【负样本被正确分为负样本】 FP（False Positives）：假的正样本= 【负样本被错误分为正样本...

1 条评论您还未登录，请先登录后发表或查看评论

通俗理解TP、FP、TN、FN

胭脂草的ABC博客

03-06

1331

虽然学了很多遍，但还是经常弄混这几个概念。实在是太绕了，真真假假，假假真真。归根到底，其实是没有正确理解两个标志位的含义。

FP、FN、TP、FN解释

weixin_41449836的博客

01-31

2872

FP、FN、TP、TN与精确率(Precision)，召回率(Recall)，准确率(Accuracy) true :1，0，1，0，0，1，0，1 pred:0，1，1，1，1，0，0，1 TP表示真的是对的 =2（11） TN表示真的是错的 =1 （00） FP表示误以为是对的 =3 （01） FN表示以为是错的漏掉了（其实是对的）=2（10）（括号用矩阵表示）准...

准确率、精确率、召回率、F1-score 概念、计算原理

最新发布

Yaki_Duck的博客

07-25

771

TP（True Positives)：真正例，即正例预测为真（预测为正例而且实际上也是正例）； FP（False Positives)：假正例，即负例预测为真（预测为正例然而实际上却是负例）； FN（false Negatives)：假负例，即正例预测为假（预测为负例然而实际上却是正例）； TN（True Negatives)：真负例，即负例预测为假（预测为负例而且实际上也是负例）。

TP, TN, FP FN

skyfengye的博客

04-23

7847

表示分类正确：True Positive(TP)：本来是正样例，分类成正样例。True Negative(TN)：本来是负样例，分类成负样例。表示分类错误：False Positive (FP)：本来是负样例，分类成正样例，通常叫误报。False Negative(FN)：本来是正样例，分类成负样例，通常叫漏报。 score值即各个样本属于正例的概率 Dice Similarity Co...

“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”

halo的博客

11-06

5979

通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。

TP、TN、FP、FN

sslfk的博客

03-01

4990

P/N：表示模型预测的结果积极或消极。 T/F：表示模型预测的结果正确或错误。所以 TP：表示模型预测为positive是准确的 TN：表示模型预测为negtive是正确的 FP：表示模型预测为positive是错误的 FN：表示模型预测为negtive是错误的准确率（accuracy）=(TP + TN)/(TP+TN+FP+FN)，表示模型预测准确的概率查准率-精准率(Precision) = TP/(TP+FP)，表示预测为positve的结果中预测正确所占的比例查全率-

TP、TN、FP和FN

微信号：Custom-Software

07-01

971

混淆矩阵 True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) ...

多分类中TP/TN/FP/FN的计算

热门推荐

Hello_Chan的博客

09-19

1万+

TP: True Positive FN: False Negative FP: False Positive TN: True Negative 二分类任务中的TP/TN/FP/FN容易理解和求取，但实际中常常需要通过求多分类任务中某类别的TP/TN/FP/FN进而计算其他参数，如recall，precision，f1-score，TPR，TNR等等。本文主要讲解根据混淆矩阵计算TP/TN/FP/FN。在多分类任务中，各类别的TP/TN/FP/FN计算可由下图概括：为了方便理解，举个例子说明。假设

AI模型精準度TP、FN、FP、TN的計算方法

VolcanoCome的博客

07-19

2919

AI模型測試驗證 tp fn fp tn

万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。

专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。

05-16

4928

mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。

TP FP TN FN

lwq1026的博客

11-02

1223

转自：作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。一

模型评估，TP，FP，FN，TN

专心扫地

02-28

1569

一文记住什么是TP/TN/FP/FN？

qq_65052774的博客

10-25

5719

这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。

TP，FP，TN，FN，FAR，FRR，HTER等常见实验指标理解

weixin_42363544的博客

03-21

1万+

一、TP，TN，FP，FN 前面的字母表示这次预测的结果是正确还是错误（T就是预测结果是对的，F就是预测结果是错误的），后面的字母表示这次预测结果（P就是预测的结果是正类，N就是预测的结果为负类）。比如TP，表面意思是正确（True）的正例（Positive），即标签是x，预测也是x（P和N表示两种类别），全称叫True Positive，其它三个同理。 TP：被模型预测为正类的正样本（原本是正样本，预测为正样本） TN：被模型预测为负类的负样本（原本是负样本，预......

基础概念——TP、FP、TN、FN、IOU、PR、AP、Interpolated AP、AUC、mAP

jindaxiaoooo的博客

03-11

6116

TP、FP、TN、FN 都是站在预测的立场看的： TP：预测为正是正确的 FP：预测为正是错误的 TN：预测为负是正确的 FN：预测为负是错误的准确率(accuracy),精确率(Precision)和召回率(Recall) 准确度：分类器正确分类的样本数与总样本数之比（TP+TN）/ (TP+TN+FP+FN) 精确度：所有被预测为正样本的样本中预测对的比例 (TP) / (TP+NP) 召回率：被正确预测的正样本占所有正样本的比例（TP）/ (TP+FN) ...

TP、TN、FP、FN白话解析，看这一篇就够了

Java_Web_Android的博客

11-27

4639

TP、TN、FP、FN通俗易懂白话理解

python 两个图像的tp tn fp fn

05-31

在Python中，可以使用sklearn.metrics库中的confusion_matrix函数来计算TP、TN、FP、FN。示例代码如下： ```python from sklearn.metrics import confusion_matrix y_true = [0, 1, 0, 1, 1] # 实际标签 y_pred = [1, 1, 0, 1, 0] # 预测标签 tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel() print(f"TP = {tp}, TN = {tn}, FP = {fp}, FN = {fn}") ``` 输出结果为：TP = 2, TN = 1, FP = 1, FN = 1。