真阳假阳真阴假阴指标（TP,FP,TN,FN）精度Precision 准确率Accuracy 召回率Recall 总结

检测相关指标（TP,FP,TN,FN）总结表格

指标	定义	公式	备注
真阳性 (True Positive, TP)	预测为阳性，实际为阳性	-	-
假阳性 (False Positive, FP)	预测为阳性，实际为阴性	-	-
真阴性 (True Negative, TN)	预测为阴性，实际为阴性	-	-
假阴性 (False Negative, FN)	预测为阴性，实际为阳性	-	-
精度 (Precision)	预测为阳性的样本中实际为阳性的比例	Precision = TP / (TP + FP)	阳性可信度
准确率 (Accuracy)	所有预测正确的样本（无论正负）占总样本的比例	Accuracy = (TP + TN) / (TP + TN + FP + FN)	阴阳可信度
召回率 (Recall)	实际为阳性的样本中被预测为阳性的比例	Recall = TP / (TP + FN)	阳性找回率
F1得分 (F1-Score)	精度和召回率的调和平均	F1-Score = 2 * (Precision * Recall) / (Precision + Recall)	精度和召回率的平衡
误报率 (False Positive Rate, FPR)	实际为阴性的样本中被错误预测为阳性的比例	FPR = FP / (FP + TN)	-
漏报率 (False Negative Rate, FNR)	实际为阳性的样本中被错误预测为阴性的比例	FNR = FN / (FN + TP)	-

以流感检测为例进行解释

假设我们有一个流感检测工具，并在一个具有100人的小社区中使用这个工具。社区中的人们都接受了这个检测。我们已知实际有30人患有流感，而其余70人没有。

这个检测工具的结果是：它检测出35人为流感阳性，65人为阴性。但在这35人中，只有25人真的患有流感，其他10人实际上是健康的。同时，它错过了5个真实的流感病例，这5个人被误判为阴性。

让我们来计算一下各项指标：

真阳性 (True Positive, TP)：25，这是检测工具正确识别出的流感病例。
假阳性 (False Positive, FP)：10，这是被检测工具误判为流感，实际上健康的人数。
真阴性 (True Negative, TN)：60，这是检测工具正确识别出的健康人数。
假阴性 (False Negative, FN)：5，这是实际上患有流感，但被检测工具误判为健康的人数。
接着计算更高级的指标：

精度 (Precision)：TP / (TP + FP) = 25 / (25 + 10) = 0.71，所以我们的检测工具有71%的精度，表示预测出的阳性样本中71%是真实的阳性。
准确率 (Accuracy)：(TP + TN) / (TP + TN + FP + FN) = (25 + 60) / 100 = 0.85，所以我们的检测工具有85%的准确率，表示所有样本中85%被正确预测。
召回率 (Recall)：TP / (TP + FN) = 25 / (25 + 5) = 0.83，所以我们的检测工具有83%的召回率，表示所有真实的阳性样本中83%被正确找出。
F1得分 (F1-Score)：2 * (Precision * Recall) / (Precision + Recall) = 2 * (0.71 * 0.83) / (0.71 + 0.83) = 0.77，F1得分是精度和召回率的调和平均，得分越高表示精度和召回率的平衡越好。
误报率 (False Positive Rate, FPR)：FP / (FP + TN) = 10 / (10 + 60) = 0.14，所以误报率为14%，表示所有阴性样本中14%被误判为阳性。
漏报率 (False Negative Rate, FNR)：FN / (FN + TP) = 5 / (5 + 25)= 0.17，所以漏报率为17%，表示所有阳性样本中有17%被漏报，即未被正确检测出。

通过以上计算，我们得出了各项指标的数值，从而能全面评估这个流感检测工具的性能。我们可以看到，虽然该工具的**准确率（85%）看上去还不错，但其精度（71%）较低，意味着在它判断出的阳性样本中，实际上有近三分之一是健康的。另外，它的召回率（83%）也有一定的提升空间，因为它没有能够识别出所有实际的流感病例。其误报率（14%）和漏报率（17%）**也需要改进，以减少对健康人的误判和对病例的漏报。