机器学习-基础知识- TP, FN, FP, TN

最新推荐文章于 2024-07-25 09:55:39 发布
最新推荐文章于 2024-07-25 09:55:39 发布
阅读量1.4k 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zywvvd/article/details/105941558
版权

本文介绍机器学习的一系列基础评估指标。

基础定义

  • T ： True 表示判断正确
  • F ： False 表示判断错误
  • P ： PostIve 表示判断该样本为正样本
  • N ： Negative 表示判断该样本为负样本

指标定义

如果总是记混，按照上述字母顺序翻译出意义即可。

  • TP ： (T)该判断正确，§判断该样本为正样本（事实上样本为正）
  • TN ： (T)该判断正确，(N)判断该样本为负样本（事实上样本为负）
  • FP ： (F)该判断错误，§判断该样本为正样本（事实上样本为负）
  • FN ： (F)该判断错误，(N)判断该样本为负样本（事实上样本为正）
评估指标
预测结果
正样本
负样本
实际
情况
正样本
TP
FN
负样本
FP
TN

加深理解

  • TP和TN为判别器判断正确的情况，把事实上原本的正/负样本正确分类

  • FP 表示把负样本误认成了正样本，表示虚警

  • FN表示把正样本误认成了负样本，表示漏警

苍蓝儿
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习-逻辑回归分析（Python）
01-27
- **混淆矩阵**：包含真正例(TP)、真负例(TN)、假正例(FP)和假负例(FN)。 - **准确率、召回率**：准确率是正确分类样本的比例，召回率是预测出正类别的样本与实际正类别样本的比例。 - **ROC曲线**：ROC曲线通过...
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式
qq_43617906的博客
08-15 4252
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式。混淆矩阵
TP、FN、TN、TP详解
我有明珠一颗的博客
03-31 7688
每次遇到TP、FN、TN、TP都晕头，这一次好好认认真真总结下，大家可以收藏下，随时查看 P、N 代表检测到的样本状态，T、F代表检测是否有误，以FP为例，FP表示样本被检测为正样本，但检测是错误，因此该样本实际是负样本，FP是指把负样本错检测成正样本了（这里简写为“实负测正”） 1、假阳率：False Positive Rate = 实负测正/ 实负 = FP/ (FP + TN) 2、假阴率：False Negative Rate = 实正测负/ 实正 = FN/ (TP+ FN) ...
准确率、精确率、召回率、F1-score 概念、计算原理
Yaki_Duck的博客
07-25 774
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）。
通俗理解TP、FP、TN、FN
GXQ的博客
11-27 1551
Recall表征的是预测正确的正样本的覆盖率，查全率等于预测正确的正样本数量/所有正样本的总和，TP+FN实际就是Ground Truth的数量。Precision表征的是预测正确的正样本的准确度，查准率等于预测正确的正样本数量/所有预测为正样本数量。TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。FP+TN：真实负样本的总和，负样本被误识别为正样本数量+正确分类的负样本数量。TP+TN：正确分类的样本总和，正确分类的正样本数量+正确分类的负样本数量。
机器学习FP、TP、FN、TN、sensitivity、specificity及代码实现
SmartDemo的博客
10-28 2099
其中：n_classes = 2，class=0为正样本P，class=1为负样本N。例如：confution_matrix = array([[28, 7],预测结果y_pred。实际情况y_test。
一文记住什么是TP/TN/FP/FN？
qq_65052774的博客
10-25 5734
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。
“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 6012
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。
Python Scikit-learn库：机器学习入门与实践
最新发布
07-26
混淆矩阵主要用于二分类或多分类问题，并且能够清楚地展示出真正例（True Positives, TP）、真负例（True Negatives, TN）、假正例（False Positives, FP）以及假负例（False Negatives, FN）的数量。 对于二分类...
机器学习-最优分类.docx
06-25
评估分类算法性能通常采用混淆矩阵，包含真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）四个指标。此外，还有准确率、召回率、F1分数、查准率、查全率等评价标准，用于全面评估模型的分类效果。 四、数据...
Python-深度学习显着对象检测的代码总结
08-11
这些模型能够学习到丰富的特征表示，为检测显著对象提供强大的基础。 - **注意力机制**：为了提升模型对显著区域的敏感性，常采用自注意力机制，如SEBlock（Squeeze-and-Excitation）和CBAM（Channel and Spatial ...
Python机器学习实验 - 决策树-1模型评估与选择
08-18
在这个Python机器学习实验中，我们将深入探讨模型评估与选择，特别是使用决策树作为核心学习算法。实验涵盖了多种关键概念和技术，包括交叉验证、混淆矩阵、查准率/查全率、F1分数、P-R曲线、受试者工作特征曲线...
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 4642
TP、TN、FP、FN通俗易懂 白话理解
一文搞懂机器学习准确率(Accuracy)、精确率(Pecision)、召回率(Recall)以及TP、FP、TN、FN
Lucky_Alan_Gareth的博客
09-13 1万+
刚开始学机器学习尤其是计算机视觉的同学一定会接触到精确率(Pecision)和召回率(Recall)这两个词，看了公式还是一脸懵逼，今天就来通俗易懂的解释一下这两个关键的指标！ 这两个指标核心实质可以总结为： 提升精确率是为了不错报、提升召回率是为了不漏报 首先要了解一下TP、FP、TN、FN的基本概念 一、四个概念定义：TP、FP、TN、FN TP：（True Positive） 做出Positive的判定，而且判定是正确的 FP：（False Positive）做出Positive的判定，但
准确率、精确率、召回率、F1-score
ywfwyht的博客
02-22 1万+
追求召回率高，则通常会影响精确率。F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。
理解TP、FP、TN、FN
零忆
02-23 1573
理解TP、FP、TN、FN
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 9万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 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 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
【机器学习笔记（四）】之如何正确记忆TP，FP，FN，TN 这四种判断类型？
开发小鸽
06-30 1519
如何记忆TP，FP，FN，TN 四种判断类型，如何不混淆这4种类型？在此记录我的方法。 TP True Positive，从英文名可以看出，首先是true，正确的，说明判断正确；再看后面的是Positive，正类，那么联系前文可知是判断正确的，即将正类判断为正类。 FP False Positive，同理，首先是False,错误的，说明判断错误；再看后者，Positive，正类，那么联系前文可以记忆将负类判断错误为正类。 FN False Negative。首先是False，判断错误；再看后者，Negati
简单理解 TP、FN、FT 及 TN和准确率、精确率、召回率 的含义
fu_jian_ping的博客
12-22 9519
在机器学习或是其他地方，经常会看到TP、FN、FT 和 TN这几个字符，那到底是什么意思呢？ 简单来讲其实就是预测结果的两种情况（正确和错误）和真实结果的两种情况（正的和负的）的两两组合，2*2=4，总共有四种情况。 P：positive 正的，即真实值是正的； N：negative 负的，即真实值是负的； T：true 正确的，即预测是正确的； F：false 错误的，即预测是错误的。 下面通过一个例子来看看。 预测某班级学生是否去上课了： 假设某大学某班级总共100个人，该班级学..
FN、FP、TN、、TP分别是什么
04-17
在机器学习和统计学中，FN、FP、TN和TP是用来评估分类模型性能的指标。它们分别代表了分类结果中的不同情况： 1. FN（False Negative）：表示实际为正例但被错误地预测为负例的样本数量。换句话说，FN是指将正例...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值