True(False) Positives (Negatives), 召回率和精度定义

这篇博客介绍了在模型预测中True Positive (TP), True Negative (TN), False Positive (FP), 和 False Negative (FN)的概念。同时,详细解释了真正率(TPR/sensitivity), 真负率(TNR/specificity), 假正率(FPR)和假负率(FNR)的计算方法,并提到了在文档检索中召回率和精度的定义,强调了相关文档(A)、未检索到的相关文档(C)以及误检的不相关文档(B)和(D)的重要性。" 130232601,14744867,WPS JS宏实现表格智能操作,"['WPS', 'javascript', '开发语言', 'excel', '自动化']

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

召回率和精度:

- 系统检索到的相关文档(A)

       - 系统检索到的不相关文档(B)

       -

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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