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