再看混淆矩阵(Confusion Matrix)

Why positive and negative？

一直不明白为什么二分类问题要用”正例“和”负例“来代替两中类别，这样不是太局限了么，其实类别之间本质上并没有什么”肯定“/”否定“和”阴性“/”阳性“之分（这些都只是人类主观观点）.

一般来说，我们这样来进行约定：

预计会发生的事件叫做阳/正（Positive），
而把预计不会发生的事件叫做阴/负（Negative），

比如：
“狼来了”是正类别。
“没有狼”是负类别。

说白了，Positive 和 Negative 都是预测的结果。

而事件本身是可能发生也可能不发生的，经过预测和比对之后，我们可以做出一个判断——True：预测跟真实情况一致，所以叫“真”；False：预测跟真实情况相反，所以叫“假”。

对二分类来说，四种可能的结果就是：

真正例是指模型将正类别样本正确地预测为正类别。同样，真负例是指模型将负类别样本正确地预测为负类别。

假正例是指模型将负类别样本错误地预测为正类别，而假负例是指模型将正类别样本错误地预测为负类别。

• TP：
• TN：
• FP：
• FN：

假定一个实验有 P个positive实例，在某些条件下有 N 个negative实例。那么上面这四个输出可以用下面的偶然性表格（或混淆矩阵）来表示：

参考：

1. 混淆矩阵是什么意思？
2. 分类 (Classification)：真与假以及正类别与负类别
3. 混淆矩阵（Confusion Matrix）分析——指的好好理解那些指标