分类算法评估指标

引入

医学图像识别二分类问题
针对一个二分类问题，我们将实例分成正类(positive)和负类(negative)两种。
例如：在肺结节计算机辅助识别这一问题上，一幅肺部CT图像中有肺结节被认为是阳性(positive)，没有肺结节被认为是阴性(negative)。对于部分有肺结节的示意图如下：

所以在实际检测时，就会有如下四种情况：
(1) 真阳性(True Positive，TP)：检测有结节，且实际有结节；正确肯定的匹配数目；
(2) 假阳性(False Positive，FP)：检测有结节，但实际无结节；误报，给出的匹配是不正确的；
(3) 真阴性(True Negative，TN)：检测无结节，且实际无结节；正确拒绝的非匹配数目；
(4) 假阴性(False Negative，FN)：检测无结节，但实际有结节；漏报，没有正确找到的匹配的数目。

详细图解 如下：

上图中涉及到很多相关概念及参数，详细请见Wiki上的定义及其混淆矩阵，这里整理肺结节识别中的几个主要参数指标如下：

• 精确率(Precision)：
  
• 真阳性率(True Positive Rate，TPR)，灵敏度(Sensitivity)，召回率(Recall)：
  
• 真阴性率(True Negative Rate，TNR)，特异度(Specificity)：
  
• 假阴性率(False Negatice Rate，FNR)，漏诊率( = 1 - 灵敏度)：
  
• 假阳性率(False Positice Rate，FPR)，误诊率( = 1 - 特异度)：
  
• 阳性似然比 = 真阳性率 / 假阳性率 = 灵敏度 / (1 - 特异度)
• 阴性似然比 = 假阴性率 / 真阴性率 = (1 - 灵敏度) / 特异度
• Youden指数 = 灵敏度 + 特异度 - 1 = 真阳性率 - 假阳性率

二元分类问题可以获得 True Positive（TP，真阳性）、False Positive（FP，假阳性）、 False Negative（FN，假阴性） 和 True Negative（TN，真阴性）。这四个值分别对应二元分类问题的混淆矩阵的四个位置。

小技巧：上面的这四个概念经常会被搞混淆（难道混淆矩阵的名称就是这么来的？），这里有个小方法帮你记住它。在医学上，一般认为阳性是患病，阴性是正常。所以只要出现“阳性”关键字就表示结果为患病，此外，阳性也分为真阳性和假阳性，从名称就可以看出：真阳性表示确确实实的阳性，也就是说实际为阳性（患病），预测也为阳性（患病）；假阳性表示不真实的阳性，也就是说实际为阴性（正常），预测为阳性（患病）。真阴性和假阴性也可以按照上面的方式来简单理解。
很明显，这里的 TP=5，FP=2，FN=4，TN=4。