一张图理解什么是TP、FN、FP、TN

原创 已于 2023-07-31 23:43:52 修改 · 4.5w 阅读 · 44 ·
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 2019-05-23 18:35:49 首次发布
博客介绍了机器学习中精确率、召回率、准确率和 F1 Score 的计算公式，并通过具体例子进行说明。总样本中实际 P 有 80、N 有 20，预测结果 P 为 90、N 为 10，据此算出精确率 80%、召回率 90%、准确率 74%。
　　
　　		预测
PN
实际PTPFN
NFPTN

精确率：precision = TP / (TP + FP)

召回率：recall = TP / (TP + FN)

准确率：accuracy = (TP + TN) / (TP+ FP + TN + FN)

F1 Score = 2*（P*R）/ (P+R)，其中P和R分别为 precision 和recall。

举例

总样本（实际）：    P 80, N 20

检测（预测）结果：P 90，其中 72 TP，18 FP(=N)； N 10，其中 TN 2，FN(=P) 8

列表如下：

　　
　　		预测
P 90N 10
实际P 80TP=72FN=8
N 20FP=18TN=2

精确率：precision = TP / (TP + FP) = 72 / (72 + 18) = 80%

召回率：recall = TP / (TP + FN) = 72 / (72 + 8) = 90%

准确率：accuracy = (TP + TN) / (TP+ FP + TN + FN) = 74 / 100 = 74%

混淆矩阵（TP+FN+FP+TN）
慕云
03-29 6842
1、定义 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。混淆矩阵其实就是一张表格而已。 以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。 2、TP 真实值是positive，模型认为是positive的数量（True Positive=TP） 3、FN 真实值是positive，模型认为是negative的数量（False Negative=FN） 4、FP
【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 9206
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！
TP、FN、FP、TN、准确率、召回率、F1
羊老羊
09-07 2768
助记：TP、FN、FP、TN 主讲：精确率 召回率
一张图理解什么是TP、TN、FP、FN
Roaddd的博客
02-20 3210
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 7195
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
通俗理解TP、FP、TN、FN
GXQ的博客
11-27 2165
Recall表征的是预测正确的正样本的覆盖率，查全率等于预测正确的正样本数量/所有正样本的总和，TP+FN实际就是Ground Truth的数量。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。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。FP+TN：真实负样本的总和，负样本被误识别为正样本数量+正确分类的负样本数量。TP+TN：正确分类的样本总和，正确分类的正样本数量+正确分类的负样本数量。
TP　TN　FP　FN含义
weixin_44196792的博客
07-08 2087
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...
“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。
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
分类的评判标准：TP、TN、FP、FN
willa_pudding的博客
07-25 1万+
这四个值所代表的意义应该是做模式分类需要知道的基本知识了。以前是用的时候用一次查一次，但好像每次理解都不是特别到位。现在觉得真正理解了很有必要，就认真记录一下，帮助理解。 我们先从最简单的二分类说起： 假设我们现在有两类，一个正类，一个负类。对于每一个样本，有两个标签。一个是真正所属类别的标签，另一个是我们通过训练测试所赋予它的标签。后者是否与前者一致就成为了我们评价分类器表现好坏的一个标准。
论文中的FN FP TN TP
JANESTAR的专栏
10-29 6726
【转】FN,FP, TN, TP等 转自http://hi.baidu.com/penghouwen/item/5615d9ac379254a229ce9db5   首先这几个术语会高频率得出现在论文的实验部分，它是对实验结果的描述，首先我想先解释这几个缩写的含义： precesion：查准率，即在检索后返回的结果中，真正正确的个数占整个结果的比例。 recall：查全率，即在检索结
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、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 11万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
TP TN FP FN(豆包解答，通俗易懂)
2401_84049789的博客
08-07 808
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。
TP、TN、FP、FN
平平淡淡，戒急用忍，一生学闭嘴。
10-09 1943
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 = T...
TP TN FN FP
桃子小迷妹
06-24 470
TP（True Positive）：实际是正例，预测为正例 TN（True Negative）：实际是正例，预测为负例 FP（False Negative）：实际是负例，预测为正例 FN（False Positive）：：实际是负例，预测为负例
TP、FN、TN、TP详解
我有明珠一颗的博客
03-31 8330
每次遇到TP、FN、TN、TP都晕头，这一次好好认认真真总结下，大家可以收藏下，随时查看 P、N 代表检测到的样本状态，T、F代表检测是否有误，以FP为例，FP表示样本被检测为正样本，但检测是错误，因此该样本实际是负样本，FP是指把负样本错检测成正样本了（这里简写为“实负测正”） 1、假阳率：False Positive Rate = 实负测正/ 实负 = FP/ (FP + TN) 2、假阴率：False Negative Rate = 实正测负/ 实正 = FN/ (TP+ FN) ...
一文记住什么是TP/TN/FP/FN？
Joy T的博客
10-25 1万+
这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。
TP FP TN FN
lwq1026的博客
11-02 1351
转自： 作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。 一
TP/FP/TN/FN/分别是什么
最新发布
05-26
### TP、FP、TN、FN 的定义和含义 在机器学习领域，特别是分类问题中，评估模型性能的关键指标之一是对预测结果的分析。为了更好地理解这些术语及其意义，以下是它们的具体定义： #### True Positive (TP) True Positive 表示模型正确地将正类样本识别为正类的情况。换句话说，当某个实例实际上是正类时，模型也成功将其预测为正类[^2]。 #### False Positive (FP) False Positive 是指模型错误地将负类样本识别为正类的情形。这种情况通常被称为“误报”，因为模型报告了一个实际上并不存在的事件或条件[^4]。 #### True Negative (TN) True Negative 描述的是模型能够准确判断出某实例属于负类的能力。也就是说，在实际情况下的负类样本被模型正确地标记为负类[^3]。 #### False Negative (FN) False Negative 发生在模型未能发现实际存在的正类现象的时候，也就是把本应标记为正类的对象错判成了负类，这种失误可以称为漏检[^5]。 通过以上四个基本概念，我们可以进一步构建其他重要的评价标准如精确度(Precision)，召回率(Recall)以及F1分数等来全面衡量一个分类器的表现如何有效地区分不同类别之间的界限。 ```python def calculate_metrics(tp, fp, tn, fn): precision = tp / (tp + fp) if (tp + fp) != 0 else 0 recall = tp / (tp + fn) if (tp + fn) != 0 else 0 accuracy = (tp + tn) / (tp + fp + tn + fn) if (tp + fp + tn + fn) != 0 else 0 return { 'Precision': precision, 'Recall': recall, 'Accuracy': accuracy } metrics = calculate_metrics(20, 10, 50, 10) print(metrics) ``` 此代码片段展示了基于给定数据计算 Precision（查准率），Recall（查全率）及 Accuracy（准确率）的方法。
评论 6
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