本文详细介绍了模型评估中常用的几个核心指标：真正例（TP）、真负例（TN）、假正例（FP）与假负例（FN），并进一步解释了这些指标如何用于计算真正率（TPR）、真负率（TNR）、假正率（FPR）和假负率（FNR）。通过这些指标可以全面了解模型在分类任务中的表现。
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）被模型预测为正的负样本；
False Negative（假负 , FN）被模型预测为负的正样本；
True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）
TPR = TP /（TP + FN）
正样本预测结果数 / 正样本实际数
True Negative Rate（真负率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
负样本预测结果数 / 负样本实际数
False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）
被预测为正的负样本结果数 /负样本实际数
False Negative Rate（假负率 , FNR）
FNR = FN /（TP + FN）
被预测为负的正样本结果数 / 正样本实际数
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
