机器学习FP、TP、FN、TN、sensitivity、specificity及代码实现
目录
一、概念整理
二、应用指标
三、代码实现
一、概念整理
第一个字母T/F代表预测结果y_pred是否和实际情况y_test相符
第二个字母P/N代表预测结果的正负
- TP:true positive,被判定为正样本,实际上也是正样本
- TN:true negative,被判定为负样本,实际上也是负样本
- FP:false positive,被判定为正样本,实际上是负样本
- FN:false negative,被判定为负样本,实际上是正样本
二、应用指标
三、代码实现
confusion_matrix = confusion_matrix(y_test, y_pred)
[返回值]: ndarray of shape (n_classes, n_classes)
Confusion matrix whose i-th row and j-th column entry indicates the number of samples with true label being i-th class and predicted label being j-th class.
例如:confution_matrix = array([[28, 7],[ 3, 23]])其中:n_classes = 2,class=0为负样本N,class=1为正样本P
- 28 -> 真值为0,预测为0 的样本数量 -> TN
- 7 -> 真值为0,预测为1 的样本数量 -> FP
- 3 -> 真值为1,预测为0 的样本数量 -> FN
- 23 -> 真值为1,预测为1 的样本数量 -> TP
confusion_matrix = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0])
# confusion_matrix = [[0 2],
# [1 1]]
tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
# (tn, fp, fn, tp) = (0,2,1,1)sensitivity = confusion_matrix[1,1]/(confusion_matrix[1,1]+confusion_matrix[1,0])
print('Sensitivity : ', sensitivity )specificity = confusion_matrix[0,0]/(confusion_matrix[0,0]+confusion_matrix[0,1])
print('Specificity : ', specificity)
机器学习FP、TP、FN、TN、sensitivity、specificity及代码实现相关推荐
- TP FN TN FP到底是啥鹅
这样说吧 比如有一群人去医院看病,医生水平有高低, 真有病的,医生说有病,这一群人算出比例,结果是TP, (真阳) 真有病的,医生说没病,就是FN(假阴), 没有病的,医生说没病(真阴),TN. ...
- TP、TN、FP、FN、Recall、Miss Rate、MCC、F1 Score 等指标计算
对一个二分类问题,实际取值只有正.负两例,而实际预测出来的结果也只会有0,1两种取值.如果一个实例是正类,且被预测为正类,就是真正类(True Positive),如果是负类,被预测为正类,为假正类( ...
- 衡量二分类模型的统计指标(TN,TP,FN,FP,F1,准确,精确,召回,ROC,AUC)
文章目录 - 衡量二分类问题的统计指标 分类结果 混淆矩阵 准确率 精确率 召回率 F1评分 推导过程 ROC曲线.AUC - 衡量二分类问题的统计指标 分类结果 二分类问题,分类结果有以下四种情 ...
- 机器学习基础一(TP,TN,FP,FN等)
TP:预测为正向(P),实际上预测正确(T),即判断为正向的正确率 TN:预测为负向(N),实际上预测正确(T),即判断为负向的正确率 FP:预测为正向(P),实际上预测错误(F),误报率,即把负向判 ...
- 机器学习TP FP FN TN评价指标
TP.TN .FP .FN: T --true 表示正确 F--false 表示错误 P-- positive 表示积极的,看成正例 N--negative 表示消极的,看成负例 我的理解:后面为预 ...
- FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)评价指标详述
来自微信公众号:小白CV关注可了解更多CV,ML,DL领域基础/最新知识;如果你觉得小白CV对您有帮助,欢迎点赞/收藏/转发 在机器学习领域中,用于评价一个模型的性能有多种指标,其中几项就是FP.FN ...
- FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)是什么意思
在机器学习领域中,用于评价一个模型的性能有多种指标,其中几项就是FP.FN.TP.TN.精确率(Precision).召回率(Recall).准确率(Accuracy).这里我们就对这块内容做一个集中 ...
- Python混淆矩阵(confusion_matrix)FP、FN、TP、TN、ROC,FROC,精确率(Precision),召回率(Recall),准确率(Accuracy),F1分数详述与实现
目录 一.FP.FN.TP.TN 二.准确率(Accuracy).精确率(Precision).召回率(Recall).F1score 2.1.准确率(Accuracy) 2.2.召回率(Recall ...
- TP、TN、FP、FN
True Positive (真正, TP)被模型预测为正的正样本: True Negative(真负 , TN)被模型预测为负的负样本 : False Positive (假正, FP)被模型预测为 ...
- 分类评价指标:TP、TN、FP、FN、Recall,以及人脸识别评价指标TAR、FAR、FRR
文章目录: 1 关于gallery和probe的介绍 2 二分类常用评价指标 2.1 二分类常用的评价指标 2.2 混淆矩阵 2.3 评价指标 3 人脸识别基本概念 3.1 人脸验证(Face Ver ...
最新文章
- 全面异步化:淘宝反应式架构升级探索
- 第十八章 20结构体与string
- Innovation Factory Open Day
- C语言高级编程:二级指针的赋值
- Android中Log信息的输出方法
- html区域背景,保存/恢复HTML5 Canvas的背景区域
- Postman 如何处理上一个接口返回值作为下一个接口入参?
- matplotlib-plt.title
- oracle apache服务占用80端口
- (六)6.6 Neurons Networks PCA
- 安装mysql输入_安装mysql
- Drools规则引擎使用入门
- OpenCV C++安装和配置
- 计算机xp怎么调整亮度,[如何调整计算机屏幕的亮度] xp系统如何调整屏幕的亮度?屏幕亮度调整方法的详细说明...
- html用div排版类型table,DIV排版和Table排版的区别
- 鼠标放上去,变成小手状
- VxWorks6.7新建bootrom工程
- 【学习笔记】第三章 Python在高等数学和线性代数中的应用
- 力扣周赛 239 题解
- [TYVJ 1927] 『Citric II』一道防AK好题 · 模拟
热门文章
- Problem A: 小学生的算术题
- 简单好用又免费的百度翻译mac桌面端
- ECU存储安全之存储器安全
- pyqt5 QListWidget的使用
- l310加完墨水后需要怎样设置_epson打印机没有墨水加了墨水后还是打印不了怎么解决...
- 微信小程序:图片秒加水印制作生成
- 【跨境电商】如何创建吸引人的免费送货电子邮件营销
- 具有深度沉浸能力的人更能有所成就
- [软件人生]大白话讲述了近两百年中美之间的历史关系及tpp是什么
- Android Manager之AudioManager(音频管理器)