理解TP、FP、TN、FN

原创 已于 2023-02-23 14:41:19 修改 · 1.8k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #人工智能

于 2023-02-23 14:32:32 首次发布
文章介绍了二元分类中的正类和负类概念，正类通常为少数，负类为多数。讨论了预测标记与真实标记的四种组合，包括真阳性、真阴性、伪阳性、伪阴性。接着阐述了查准率（Precision）和准确率（Accuracy）这两个评估分类器性能的指标，强调了在某些情况下准确率可能不是最佳选择。

概念定义

按照常用的术语，将两个类分别称为正类 (positive) 和 负类 (negative)。使用数学表示： +1表示正类 ， -1 表示负类。

正类通常是少数类，即样本较少的类（例如有缺陷的零件）

负类通常是多数类，即具有更多样本的类（例如合格的零件）

单个类别内的比率

对于一个样本 x ，真实标记 y 和预测标记 f(x) 之间有四种可能的组合，如下表所示：

预测标记 f(x) = +1预测标记 f(x) = -1
真实标记y=+1真阳性（true positive）真阴性（true negative）
真实标记y=-1伪阳性（false positive）伪阴性（false negative）

在每种可能的情况里，第二个字指的是预测的标记。第一个字用来描述预测是否正确。

例如，伪阳性表示预测的标记是“阳性” （+1），这个预测是错误的（“伪”）；因此，真正的标记是“阴性”（-1）

TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。

FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。

TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。

FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。

Accuracy：准确率

Accuracy表征的是预测正确的样本比例。不过通常不用这个概念，主要是因为预测正确的负样本这个没有太大意义。

样本总数： TOTAL = TP+FN+FP+TN

Accuracy = (TP+TN) / 样本总数

Precision：查准率

Precision表征的是预测正确的正样本的准确度，查准率等于预测正确的正样本数量/所有预测为正样本数量。Precision越大说明误检的越少，Precision越小说明误检的越多。

Precision= TP / (TP+FP)

参考：https://zhuanlan.zhihu.com/p/386064764

https://zhuanlan.zhihu.com/p/498846393

“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”
halo的博客
11-06 1万+
通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。
多分类中TP/TN/FP/FN的计算
热门推荐
Hello_Chan的博客
09-19 2万+
TP: True Positive FN: False Negative FP: False Positive TN: True Negative 二分类任务中的TP/TN/FP/FN容易理解和求取，但实际中常常需要通过求多分类任务中某类别的TP/TN/FP/FN进而计算其他参数，如recall，precision，f1-score，TPR，TNR等等。本文主要讲解根据混淆矩阵计算TP/TN/FP/FN。 在多分类任务中，各类别的TP/TN/FP/FN计算可由下图概括： 为了方便理解，举个例子说明。 假设
【机器学习基础】TP,TN,FP,FN,Precision，Recall，PR曲线，AP，MAP，TPR，FPR,ROC曲线，AUC值等的解释
gbz3300255的博客
06-23 1万+
PR曲线计算方式：通过置信度就可以对所有样本进行排序，再逐个样本的选择阈值，在该样本之前的都属于正例，该样本之后的都属于负例。每一个样本作为划分阈值时，都可以计算对应的precision和recall，那么就可以以此绘制曲线 参考文献1：https://blog.youkuaiyun.com/qq_41994006/article/details/81051150 参考文献2：https://blog.youkuaiyun.com/b876144622/article/details/80009867 ...
TP，TN，FP，FN
weixin_33971977的博客
01-03 368
一张图搞定~~~ 【转】https://blog.youkuaiyun.com/u011956147/article/details/78967145 转载于:https://www.cnblogs.com/TreeDream/p/10214427.html
TP，FP，FN
weixin_41787421的博客
08-29 368
TP：正确检测 FP：漏报 FN：误报
分类精度评价中的TP、TN、FP、FN的理解
schmiloo的博客
07-10 1万+
TP、TN、FP、FN主要用来统计两类分类的问题，当然多个类别也可以分别统计。 将样本分为正样本（positive）和负样本(negative)。 TP、TN、FP、FN中第一个字母表示分类器识别结果是否正确，正确用True的首字母T表示，错误用False的首字母F表示。第二个字母表示分类器的判定结果，P表示分类器判定为正样本，N表示分类器判定为负样本。所以： TP：分类器识别正确，分类器认为该样本为正样本； TN：分类器识别正确，分类器认为该样本为负样本； FP：分类器识别结果错误，分类器认为该样本是正样
对于TP, TN, FP, FN, Pre, Recall的举例
tangxianyu的博客
01-12 1739
FN为预测为0，但是预测错了，真值为1的值，即图中浅绿色底色的值，共有2个；FN为预测为1，但是预测错了，真值为0的值，即图中浅绿色底色的值，共有4个；FP为预测为1，但是预测错了，真值为0的值，即图中红色底色的值，共有4个；FP为预测为0，但是预测错了，真值为1的值，即图中红色底色的值，共有2个；TP为预测为0，真值也为0的值，即图中深绿色底色的值，共有4个；TP为预测为1，真值也为1的值，即图中深绿色底色的值，共有5个；TN为预测为0，真值也为0的值，即图中橙色底色的值，共有4个；
【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估
weixin_41645791的博客
02-21 9297
本文以通俗易懂、幽默风趣的方式详细解析了混淆矩阵的定义、计算方法和实际作用。从二分类的四个核心指标——真正例（TP）、假阳性（FP）、真负例（TN）、假阴性（FN）出发，本文讲解了如何利用混淆矩阵评估模型性能，并进一步衍生出准确率、精确率、召回率和 F1-score 等关键指标。文章还通过医疗诊断等案例，展示了混淆矩阵如何帮助我们区分漏诊与误诊，并给出记忆技巧，助你快速掌握 TFPN 概念。喜欢本文的朋友请点赞、收藏、转发和关注我的博客，共同探索数据科学的魅力！
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式
qq_43617906的博客
08-15 8368
真真假假，真假假真！一文读懂多类别的TP、FP、FN、TN；并理解准确率、精确率、召回率、F1分数计算公式。混淆矩阵
TP TN FP FN(豆包解答，通俗易懂)
2401_84049789的博客
08-07 826
比如说，在一个检测车辆的任务中，如果模型把一辆真实存在的车正确检测出来了，这就是一个 TP；这些概念在评估目标检测模型的性能时非常重要，基于它们可以计算出各种评估指标，如准确率、召回率、F1 值等，以全面衡量模型的检测效果。：指被错误地检测为正例的负例样本数量，也就是误报。举例来说，模型把一个本不存在目标物体的区域错误地判断为存在目标物体。：指被错误地检测为负例的正例样本数量，也就是漏报。例如，模型没有检测出一个实际上存在的目标物体。例如，模型正确检测出了一个确实存在的目标物体。
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 1万+
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
TP，FP，TN，FN，FAR，FRR，HTER等常见实验指标理解
weixin_42363544的博客
03-21 1万+
一、TP，TN，FP，FN 前面的字母表示这次预测的结果是正确还是错误（T就是预测结果是对的，F就是预测结果是错误的），后面的字母表示这次预测结果（P就是预测的结果是正类，N就是预测的结果为负类）。 比如TP，表面意思是正确（True）的正例（Positive），即标签是x，预测也是x（P和N表示两种类别），全称叫True Positive，其它三个同理。 TP：被模型预测为正类的正样本（原本是正样本，预测为正样本） TN：被模型预测为负类的负样本（原本是负样本，预......
TP真阳性, FP假阳性, FN假阴性, TN真阴性
weixin_42072280的博客
09-16 2952
https://blog.youkuaiyun.com/sinat_28576553/article/details/83448724 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。...
一文详解人工智能分类方面的KPI评价标准：混淆矩阵、TP、FP、FN、TN、P-R曲线图、ROC曲线图
17岁boy的博客
12-30 7306
目录 样本概念 混淆矩阵理论知识 概念 TP、FP、FN、TN介绍 概念 TP FP FN TN 备注 关系解释 Key Performance Indicator Precision 标准介绍 概念介绍 样本概念介绍 公式 实际计算 Recall 标准介绍 概念介绍 样本概念介绍 公式 实际计算 F1 Score 标准介绍 公式 实际计算 Recall 标准介绍 概念介绍 样本概念介绍 公式 实际计算 F1 Score 标准介绍 公
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 5507
TP、TN、FP、FN通俗易懂 白话理解
一文弄懂目标检测模型评估指标：mAP（平均精度）、TP、TN、FP和FN
阿旭的博客
02-10 3013
一文弄懂目标检测模型评估指标：mAP（平均精度）、TP、TN、FP和FN
【深度学习】【机器学习】分类结果分析指标和方法（混淆矩阵、TP、TN、FP、FN、精确率、召回率）（附源码）
https://github.com/Donvink，专注于计算机视觉、目标检测、目标跟踪等方向
05-08 1万+
模型分类效果主要是通过计算混淆矩阵已经准确率、召回率和F Score来分析，下面对以上指标进行详细的介绍。
TP　TN　FP　FN含义
weixin_44196792的博客
07-08 2094
FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative,被判定为负样本，事实上也是负样本。 TP：True Positive,被判定为正样本，事实上也是证样本。 这里的正样本和负样本与检索的关系就是：你认为为正样本的应该都出现在检索结果中，而你认为为负样本的应该不出现在检索结果...
TP, TN, FP FN
skyfengye的博客
04-23 8009
表示分类正确：True Positive(TP)：本来是正样例，分类成正样例。True Negative(TN)：本来是负样例，分类成负样例。表示分类错误：False Positive (FP)：本来是负样例，分类成正样例，通常叫误报。False Negative(FN)：本来是正样例，分类成负样例，通常叫漏报。 score值 即各个样本属于正例的概率 Dice Similarity Co...
TP FP TN FN 真阳性
最新发布
03-16
### True Positive (TP), False Positive (FP), True Negative (TN), 和 False Negative (FN) 的定义 #### 1. **True Positive (TP)** True Positive 表示模型正确预测为正类的实际正类样本数量。换句话说，当实际标签为正类时，模型也成功将其分类为正类的情况称为 True Positive[^1]。 #### 2. **False Positive (FP)** False Positive 是指模型错误地将负类样本预测为正类的数量。这种情况通常被称为“误报”，即实际上属于负类的样本被错误地标记为了正类[^3]。 #### 3. **True Negative (TN)** True Negative 表示模型正确预测为负类的实际负类样本数量。这意味着对于那些真正不属于目标类别（负类）的样本，模型能够准确识别它们[^4]。 #### 4. **False Negative (FN)** False Negative 是指模型未能检测到实际为正类的样本，而错误地将其标记为负类的情况。这种现象可以理解为“漏检”。 --- ### TP、FP、TN、FN之间的关系及其应用 这些指标常用于评估二分类模型的表现，并通过计算各种性能度量来衡量模型的有效性： - **召回率（Recall 或 Sensitivity）**: Recall 描述了模型在所有真实正类中找到的比例，其公式为： \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] - **精确率（Precision）**: Precision 衡量的是模型预测为正类的样本中有多少确实是真正的正类，其公式如下： \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] - **特异性（Specificity）**: Specificity 计算的是模型正确拒绝负类的能力，具体表达式为： \[ \text{Specificity} = \frac{\text{True Negatives}}{\text{True Negatives} + \text{False Positives}} \] - **准确率（Accuracy）**: Accuracy 给出了整体预测正确的比例，适用于数据分布较为平衡的情况下： \[ \text{Accuracy} = \frac{\text{True Positives} + \text{True Negatives}}{\text{Total Predictions}} \][^1] --- ### 示例代码展示 以下是 Python 中实现上述公式的简单代码片段： ```python def calculate_metrics(tp, fp, tn, fn): recall = tp / (tp + fn) if (tp + fn) != 0 else 0 precision = tp / (tp + fp) if (tp + fp) != 0 else 0 specificity = tn / (tn + fp) if (tn + fp) != 0 else 0 accuracy = (tp + tn) / (tp + tn + fp + fn) return { 'Recall': recall, 'Precision': precision, 'Specificity': specificity, 'Accuracy': accuracy } # 假设输入值 metrics = calculate_metrics(90, 10, 85, 15) print(metrics) ``` 此函数接收四个参数 `tp`, `fp`, `tn`, `fn` 并返回相应的评价指标。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值