TP TN FP FN

from: http://blog.chinaunix.net/uid-446337-id-94448.html

对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True positive）,正类被预测成负类则为假负类（false negative）。

列联表如下表所示，1代表正类，0代表负类。

		预测
		1	0	合计
实际	1	True Positive（TP）	False Negative（FN）	Actual Positive(TP+FN)
实际	0	False Positive（FP)	True Negative(TN)	Actual Negative(FP+TN)
合计		Predicted Positive(TP+FP)	Predicted Negative(FN+TN)	TP+FP+FN+TN

从列联表引入两个新名词。其一是真正类率(true positive rate ,TPR), 计算公式为TPR=TP / (TP + FN)，刻画的是分类器所识别出的正实例占所有正实例的比例。另外一个是负正类率(false positive rate, FPR),计算公式为FPR= FP / (FP + TN)，计算的是分类器错认为正类的负实例占所有负实例的比例。还有一个真负类率（True Negative Rate，TNR），也称为specificity,计算公式为TNR=TN / (FP + TN) = 1 − FPR。

False positive rate (α) = FP / (FP + TN) = 1 − specificity
False negative rate (β) = FN / (TP + FN) = 1 − sensitivity
Power = sensitivity = 1 − β

Likelihood ratio positive = sensitivity / (1 − specificity)

Likelihood ratio negative = (1 − sensitivity) / specificity

		Confuse Matrix
		Positive (P=TP+FN)	Negative (N=TN+FP)
Test outcome	Positive (P'=TP+FP)	True Positive (TP)	False Positive (FP) (Type I error, P-value)	→ Positive predictive value PPV=TP/(TP+FP) or, Precision
Test outcome	Negative (N'=FN+TN)	False Negative (FN) (Type II error)	True Negative (TN)	→ Negative predictive value NPV=TN/(TN+FN)
		↓ Sensitivity= TP/(TP+FN)= TP/P or True Positive Rate (TPR) or Recall	↓ Specificity= TN/(FP+TN)= TN/N or True Negative Rate(TNR)	Accuracy: ACC=TP+TN/(P+N) MCC=(TPxTN-FPxFN) / Sqrt ( PxNxP’xN’ ) F-measure= 2xPrecsionxRecall / (Precsion+Recall)

MCC: Matthews correlation coefficient

false discovery rate (FDR)

FDR = FP / (FP + TP)

TP TN FP FN相关推荐

TP,TN,FP,FN,F1,TPR,FPR (一图看懂)
TP,TN,FP,FN,F1,TPR,FPR (一图看懂) 手画了一个图,应该挺清楚的吧,懂了吗?
【机器学习基础】TP,TN,FP,FN,Precision，Recall，PR曲线，AP，MAP，TPR，FPR,ROC曲线，AUC值等的解释
1.TP,TN,FP,FN: 下面两个图说的就很明白了吧.左侧有点混淆矩阵的感觉 P:标签为正样本. N:标签为负样本. T:预测对了. F:预测错了 TP:正 ...
TP TN FP FN IOU
第一个字母T和F代表true和false,是形容词. 第二个字母代表P和N阴性阳性,positive和negative,是预测结果. TP: true positive, 正确的阳性,说明预测是阳性, ...
敏感度、特异性：TP TN FP FN sensitivity Accuracy
参考资料: 维基百科:https://en.wikipedia.org/wiki/Precision_and_recall https://en.wikipedia.org/wiki/Sensitiv ...
目标检测 TP\FP\FN\TN如何理解？FN和TN无意义
1.TP TN FP FN的概念 TP TN FP FN里面一共出现了4个字母,分别是T F P N. T是True: F是False: P是Positive: N是Negative. T或者F代表的 ...
「机器学习速成」分类，评估指标(TP、FP、TN、FN)，ROC曲线和AUC
https://www.toutiao.com/a6706449645901464078/ 2019-06-25 20:49:47 大家好,今天我们学习[机器学习速成]之分类,评估指标(TP.FP. ...
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
TP.FP.FN.TN 分类中TP.FP.FN.TN含义目标检测中TP.FP.FN.TN的含义 precision .recall .accuracy precision recall accura ...
TP、FP、TN、FN傻傻分不清楚
我在计算Precision.Recall和F1的时候,总觉得TP.FP.TN.FN傻傻分不清楚的.(好像计算这三个指标的时候不需要TN- 这四个情况的含义如下: TP - True Positive, ...
【生动理解】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、IoU、mIoU
无论是对于图像领域的分类.检测问题,亦或点云领域的物体分类.场景分割,在评价一个模型的好坏时,经常涉及TP.FP.TN.FN.Recall.IoU.Accuracy...等指标进行衡量,那么这些指标是 ...

TP TN FP FN

TP TN FP FN相关推荐

最新文章

热门文章