机器学习分类中混淆矩阵的记忆

在分类问题中对于结果的评价，尤其二分类问题

会涉及混淆矩阵Confusion Matrix的概念，以及阳性阴性例、灵敏度等概念，在此进行辨析

其中，T为True，F为False，P为Positive，N为Negative

基础概念

TP：True Positive，真阳性，预测结果为Positive，对预测结果判断为True，即是真的阳性

TN：True Negative，真阴性，预测结果为Negative，对预测结果判断为True，即是真的阴性

FP：False Positive，假阳性，预测结果为Positive，对预测结果判断为False，即是假的阳性

FN：False Negative，假阴性，预测结果为Negative，对预测结果判断为False，即是假的阴性

扩展概念

Precision：精确度，TP/(TP+FP)，预测为阳性样本中真实阳性的比率

Sensitivity：灵敏度，TP/(TP+FN)，真实阳性样本中预测为阳性的比率，同召回率Recall，同真阳性率True Positive Rate（TPR）

Specificity：特异度，TN/(TN+FP)，真实阴性样本中预测为阴性的比率，同真阴性率True Negative Rate（TNR）

False Positive Rate（FPR）：假阳性率，FP/(TN+FP)，阴性样本中被错误预测为阳性的比率，等同于1-Specificity

False Negative Rate（FNR）：假阴性率，FN/(TP+FN)，阳性样本中被错误预测为阴性的比率，等同于1-Sensitivity

补充

误诊率：同假阳性率

漏诊率：同假阴性率