分类问题结果统计指标的解释：真正类率TPR与假正类率FPR、查全率与查准率、感受性与特异性

预测及结果概念定义：TP、FN、FP、TN

对于一个模型接受输入后的预测结果，可由下表表示。表中1代表正样本，0代表负样本。

例如，检测一张图片是否是含有猫的图片。真实值（ground truth）1代表图片中有猫，真实值0代表图片中没有猫，
预测值1代表模型（输出）认为图片中有猫，预测值0代表模型认为图片中没有猫。下文中将都使用此例来直观解释各概念。

	预测值1	预测值0	合计（真实）
真实值1	TP （True Positive）	FN （False Negative）	TP+FN （Actual Positive）
真实值0	FP （False Positive）	TN （True Negative）	FP+TN （Actual Negative）
合计（预测）	TF+FP （Predicted Positive）	FN+TN （Predicted Negative）

TP （True Positive）：真正类，模型认为图中有猫实际也有猫的。模型预测正确。

FP （False Positive）：假正类，又称“假阳性”，模型认为图中有猫而实际没有猫的。模型预测错误。

FN （False Negative）：假负类，模型认为图中没有猫实际有猫的，即模型没检测出来。模型预测错误（两个F开头的都是模型预测错误）。

TN （True Negative）：真负类，模型认为图中没有猫实际也没有猫的。模型预测正确（两个T开头的都是模型预测正确）。

TPR（Recall）真正类率（查全率）与 FPR 假负类率

TPR（Recall）真正类率（查全率）

TPR（True Positive Rate），即真正类率，又叫真阳性率、Recall（查全率、召回率）、Sensitivity（感受性）、Probability of Detection等。

多个名字在不同场合各有应用。

TPR = TP/(TP+FN) = TP/(Actual Positive) ，表示模型预测的真正类个数占所有真实值为1个数的比例。

TPR 预测对的/所有对的

FPR 假正类率

FPR（False Positive Rate），即假正类率，又叫假阳性率，Fall-out、Probability of False Alarm等。

FPR = FP/(FP+TN) = FP/(Actual Negative) = 1 - Specificity，表示模型预测的假正类个数占所有真实值为0个数的比例。

FPR 预测错的/所有错的

Sensitivity感受性与 Specificity 特异性

Sensitivity感受性，定义同TPR，见前文。

Specificity 特异性

Specificity 特异性，又叫Selectivity

Specificity = TN/(FP+TN) = TN/(Actual Negative) = 1 - FPR

Sensitivity（感受性）和Specificity（特异性）的直观解释：

感受性高：考虑极端情况，所有的正样本都被模型正确预测，TP↑，FN→0（准确地说不应该这样表示，应该理解为TP较大，FN相对较小，后文同）。
实例中，只要图中有猫一定能被模型识别出来，也就是，有猫的图像不会被误判为没有猫的（不会漏检）。

感受性低：TP↓、FN↑，假负类多，模型会将很多有猫的图像误判为没有猫的，也就是“漏检”了这些猫。

特异性高：考虑极端情况，所有的负样本都被模型正确预测，TN↑，FP→0。
实例中，没有猫的图像都被模型识别为没有猫，也就是，没有猫的图像不会被误判为有猫的，“假阳性”几乎没有。

特异性低：TN↓、FP↑，假正类多，“假阳性”多，模型检测出的很多有猫图像实际上没有猫。

医学检验中常采用特异性高的指标，例如，当感染HIV病毒时，血液中HIV1/2抗体会升高，这一指标之所以用于HIV检测就是因为它特异性非常高，
如果血液中HIV1/2抗体被检验为阳性，说明感染HIV病毒的可能性非常高（几乎不会是其他因素引起的，不会错检）。若用特异性不高的指标检测，则非常容易出现假阳性。“假阳性”这一概念源于医学术语。

因此，特异性高的模型，如果模型预测结果图中有猫，那么实际图中也有猫的概率非常大。

Precision 查准率与 Recall查全率

Precision 查准率也叫准确率，又叫PPV（Positive Predictive Value）

Precision = TP/(TP+FP) = TP/(Predicted Positive)

Precision即模型预测出来的有多少是对的

查准率高：TP↑、FP→0，模型检测出来的“猫图”实际上都是真的“猫图”，模型检测结果非常“准”。

Recall查全率、召回率，定义同TPR，见前文。

查全率高：送给模型检测的“猫图”都被检测出来了。（如果一个模型对任意的图像输入，都输出图中“有猫”，则查全率也是1）

查准率Precision与查全率Recall概念常一同使用，可简单理解为：查全率是检出占所有送检的“多少”，查准率是检出的有“多少是对的”。
查全率代表检出的“数量”，查准率代表检出的“质量”。