每天五分钟机器学习：如何计算模型的假阳性率和真阳性率？

本文重点

在机器学习和数据分析领域，假阳性率（False Positive Rate，FPR）和真阳性率（True Positive Rate，TPR）是评估分类模型性能的重要指标。理解和准确计算这两个指标对于优化模型、做出正确的决策以及评估模型的可靠性至关重要。

真阳性率和假阳性率

假如使用测试集来评估一个分类模型（二分问题）：所以样本实际值有y=0或者y=1两种情况，而样本预测值也有这两种情况（y=0，y=1），我们将算法预测的结果分成四种情况：

1. 正确肯定（True Positive,TP）：预测为真，实际为真

2. 正确否定（True Negative,TN）：预测为假，实际为假

3. 错误肯定（False Positive,FP）：预测为真，实际为假

4. 错误否定（False Negative,FN）：预测为假，实际为真

其中FPR（假阳性率）=FP/N，TPR（真阳性率）=TP/P。

N是真实的负样本（y=0）的数量，P是真实的正样本（y=1）的数量。

应用示例

假设我们有一个用于疾病诊断的分类模型，将患者分为患有疾病（正样本）和未患有疾病（负样本）两类。我们对 1000 个患者进行了测试，其中实际患有疾病的有 200 人，未患有疾病的有 800 人。模型的预测