TP真阳性, FP假阳性, FN假阴性, TN真阴性
看着简单，但每次一用就晕，总结一下。
TP、True Positive 真阳性：预测为正，实际也为正
FP、False Positive 假阳性：预测为正，实际为负
FN、False Negative 假阴性：预测与负、实际为正
TN、True Negative 真阴性：预测为负、实际也为负。
也就是说，预测和实际一致则为真，预测和实际不一致则为假；如果预测出来是“正”的，则为“阳”，预测结果为 “负”，则为“阴”。
先看一个简单的二分类问题。
比如说总共有100个人，其中60个人患有疾病，40个人是健康的。我们的要找出里面的病人，我们一共找出了50个我们认为的病人，其中40个确实是病人，另外10个是健康的。因为我们要找的是“病人”，所以“病人”就是正样本，健康者是负样本。
TP 正阳性：预测为正，实际也为正，也就是预测为病人，实际也是病人的样本数目，一个有40个。
FP 假阳性：预测为正，实际为负。预测为病人，但实际不是病人，有10个。
FN 假阴性：预测为负，实际为正。我们找出了50个我们认为的病人，剩下50个我们认为都是健康的，但事实上剩下的50个人中，有20个是病人。这20个就是假阴性的数目。预测没病，但实际有病。
TN 真阴性：预测为负，实际为负。我们找出了50个我们认为的病人，剩下的50个就是我们预测的负样本，但是这50个样本中，有20个是病人，剩下30个才是负样本，所以真阴性的个数为30。
以一个等级预测为例。
|
人员 |
璇璇 |
晓慧 |
美君 |
鱼丸 |
奶副 |
菌菇 |
铁扣 |
甜甜 |
梦慧 |
|
实际等级 |
A |
A |
A |
B |
B |
B |
C |
C |
C |
|
预测等级 |
A |
A |
B |
B |
A |
C |
C |
B |
B |
为了叙述方便，下文一律把“等级”称呼为“类”。
首先看真阳性TP：预测为正，实际也为正。也就说本来属于哪个类，预测出来还是那个类，就叫真阳性。对于类A而言，实际是A，预测出来还是A的有“璇璇”和“晓慧”，那么类A的真阳性TP的个数为2。对于类B而言，实际是B，预测出来还是B(说成预测出来是B，实际也是B是等效的)的只有“鱼丸”，所以类B的真阳性个数为1。同理对于类C而言，真阳性TP的个数也为1。
接下来看假阳性FP：预测为正，实际为负。就是说你预测她是某个类，但她实际不是，就是假阳性。对于类A而言，假阳性FP的个数为1，就是“奶副”，预测为A，但实际是B。对于类B而言，假阳性FP的个数为3，分别是“美君”，“梦慧”和“甜甜”，预测出来是B，但实际都不是。类C的假阳性FP个数为1，是“菌菇”，预测出来是C，但实际是B。
假阴性FN，预测与负、实际为正。就是预测不是，但是实际是，还是结合前边的表格来看。对于类A而言，假阴性就是预测不是A，但实际是A(注意和假阳性的区别)，这样的情况有“美君”，预测为B（负），但实际是A（正）所以类A假阴性的个数为1。类B假阴性的，有“奶副”和“菌菇”，所以为2。同理类C的假阴性个数为2，分别是“甜甜”和“梦慧”。
至于真阴性在多分类中的应用我暂时还没搞明白。不过无碍，毕竟还是用Precision和Recall比较多，而这两个用不到真阴性。
如有错误，敬请指明。
TP真阳性, FP假阳性, FN假阴性, TN真阴性相关推荐
- 精确度，召回率，真阳性，假阳性
已知如图: 查看全文 http://www.taodudu.cc/news/show-2815838.html 相关文章: TP真阳性, FP假阳性, FN假阴性, TN真阴性 统计学中的真阳性(TP ...
- （精确度，召回率，真阳性，假阳性）ACC、敏感性、特异性等 ROC指标
1.概念 金标准(标准集) 预测算法(预测集) 验证存在(T) 验证不存在(F) 合计 预测存在(P) 预测为正,真实为正(TP) 预测为正,真实为负(FP) P(预测为正样本) 预测不存在(N) 预 ...
- 精确度、召回率、真阳性、假阳性
1) 精确度( precision ):TP / ( TP+FP ) = TP / P 2) 召回率(recall):TP / (TP + FN ) = TP / T 3) 真阳性率(True ...
- 机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么
文章目录 (原)(有误) 20200206 (有误) 20200206 (正解) (原)(有误) True.False正确检测还是错误检测(如果画出框的,还需考虑个阈值,IOU高于阈值并且分类正确的( ...
- 真阳性假阳性假阴性分割可视化
1.分割掩码二值化 分割掩码转化为图像格式时会在分割边界处有很多灰度像素点,这将导致后续利用分割掩码和预测分割掩码进行处理时会在边界处出现很多噪声点,因此利用阈值将分割掩码转换为二值图,消除边界上的灰 ...
- 机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)
机器学习基础(一) 混淆矩阵 真阳性,真阴性,假阳性,假阴性 敏感性,特异性 混淆矩阵 混淆矩阵如下图:这里以是否有心脏病举例(二分类举例),列代表机器学习算法所做的预测,有心脏病还是没有心脏病,行代 ...
- 阳性，阴性，假阳性，假阴性，敏感度，特异性
一般从医学角度说,阳性(positive),代表有病或者有病毒,阴性(negative),代表正常. 假阳性(false positive)是指因为种种原因把不具备阳性症状的人检测出阳性的结果.其实就 ...
- 敏感性、特异性、假阳性、假阴性（sensitivity and specificity）
医学.机器学习等等,在统计结果时时长会用到这两个指标来说明数据的特性. 定义 敏感性:在金标准判断有病(阳性)人群中,检测出阳性的几率.真阳性.(检测出确实有病的能力) 特异性:在金标准判断无病(阴性 ...
- 敏感性、特异性、假阳性、假阴性
敏感性.特异性.假阳性.假阴性是医学领域常用的评估指标. 敏感性:在金标准判断有病(阳性)的人群中,检测出阳性的几率.真阳性(检测出确实有病的能力) TPR = TP / ( TP+FN ) = TP ...
最新文章
- 《Data-Intensive Text Processing with mapReduce》读书笔记之一：前言
- 单例模式懒汉式(线程安全写法)
- linux 命令 ppt,Linux基本命令()讲解.ppt
- tomcat:Cannot find /usr/local/tomcat1/bin/setclasspath.sh
- python print 输出到txt_（Python基础教程之七）Python字符串操作
- 睡眠声音识别中的准确率问题(二)--测试结果及分析
- VB编PiView4注册机
- mfsmatelogger安装脚本
- string与stream互相转换
- 优化知乎使用体验+完整保存知乎文章、回答
- python中读取和查看图片的6种方法
- 自动（智能）驾驶系列|（一）简介与传感器
- Windows10 1903 应用商店错误 代码: 0x80131500 解决办法
- 使用Selenium获取银行账户余额
- python计算点到面的距离
- 分析IBM JVM上的heap dump 文件phd格式
- 从诸葛亮的三个锦囊妙计谈策略模式
- 多维tensor/numpy array的拼接(np.stack, torch.cat)
- 解决SVN或eclipse安装SVN插件失败问题
- Vue3 —— 创建 Vue3.0 工程