误报率、漏报率与准确率

误报率、漏报率与准确率：理论与代码实现

在数据分析、机器学习和安全检测等领域，误报率、漏报率和准确率是评估模型或系统性能的关键指标。本文将详细介绍这些指标的定义、计算公式，并通过代码实现帮助读者更好地理解和应用它们。

1. 误报率（False Positive Rate, FPR）

定义

误报率是指被错误地识别为正类（如危险液体）的负类（如安全液体）的比例。换句话说，它是实际为负的样本中被错误地预测为正的比例。

计算公式

误报率=实际为负的总数（FP + TN）误报数（FP）​

其中：

• FP（False Positive）：误报数，即实际为负但被预测为正的样本数。

• TN（True Negative）：正确识别为负的样本数。

示例

假设我们有一个安全检测系统，测试了100个样本，其中实际为负的样本有80个，误报了10个，则误报率为：

\text{误报率} = \frac{10}{10 + 70} = 0.125 \text{（或12.5%）}

2. 漏报率（False Negative Rate, FNR）

定义

漏报率是指被错误地识别为负类的正类的比例。换句话说，它是实际为正的样本中被错误地预测为负的比例。

计算公式

漏报率=实际为正的总数（TP + FN）漏报数（FN）​

其中：

• FN（False Negative）：漏报数，即实际为正但被预测为负的样本数。

• TP（True Positive）：正确识别为正的样本数。

示例

假设在100个样本中，实际为正的样本有20个，漏报了5个，则漏报率为：

\text{漏报率} = \frac{5}{5 + 15} = 0.25 \text{（或25%