Binary classification 二分类和混淆矩阵的概念

本文参考：http://www.cnblogs.com/rainduck/archive/2012/11/11/2765395.html

最近在coursera学习《Mastering Data Analysis in Excel》课程，第一周还很简单，第二周开始学习Binary classification，从没接触过的概念，又是英语授课，所以有点蒙了，赶紧网上补充学习下：

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，事实上也是正样本。​

这样比较好记忆：把缩写分为两个部分，第一个字母（F,T）和第二个字母（P,N）。首先搞清楚第二个字母，即它是你认为该样本的归属应该是怎样（Positive or Negative）；第一个字母即是对你的判断进行的评价（False or True）。这里也许中文可能会有不好理解的地方，所以我想用英文来描述，可能更清晰：第二个字母：What's your judgement about the sample?；第一个字母：Is your judgement right(true) or not(false)?

Precision​ Ratio: 查准率，即在检索后返回的结果中，真正正确的个数占你认为是正确的结果的比例。

Recall Ratio: 查全率，即在检索结果中真正正确的个数，占整个数据集（检索到的和未检索到的）中真正正确个数的比例。

​

Precision= TP/(TP+FP) ，即下图中的1/(1+3)，检索结果中，都是你认为应该为正的样本（第二个字母都是P），但是其中有你判断正确的和判断错误的（第一个字母有T ，F）。

​Recall = TP/(TP+FN)，即下图中的1/(1+2)，你判断为正的样本也确实为正的，以及那些没在检索结果中被你判断为负但是事实上是正的（FN）。