分类器识别指标TP、FP、FN、TN、TPR、FPR、Precision、F1举例理解

识别指标TP、FP、FN、TN、TPR、FPR举例理解

举个例子：

假定有10个人，5个男人分别是a1,a2,a3,a4,a5。5个女人：b1,b2,b3,b4,b5。然后对其进行和男人相似度的分类

人名	是男人的概率	真实
a1	90%	男人
a2	80%	男人
a3	70%	男人
a4	60%	男人
a5	50%	男人
b1	40%	女人
b2	30%	女人
b3	20%	女人
b4	10%	女人
b5	0%	女人

现在按照一个标准（70%）来分类（预测），大于等于70%的为正例（是男人），小于70%的为负例（不是男人）。

是男人的概率	真实	预测	分类	正负例
a1	90%	男人	男人	>=70%
a2	80%	男人	男人	>=70%
a3	70%	男人	男人	>=70%
a4	60%	男人	女人	<70%
a5	50%	男人	女人	<70%
b1	40%	女人	女人	<70%
b2	30%	女人	女人	<70%
b3	20%	女人	女人	<70%
b4	10%	女人	女人	<70%
b5	0%	女人	女人	<70%

根据下表：

样本	预测值	真实值
真正例（True Positive，TP）	1	1
假正例（False Positive，FP）	1	0
真负例（True Negative，TN）	0	0
假负例（False Negative，FN）	0	1

指标名称	指标别名	公式	注释
TPR （True Positive Rate）	真正例率，召回率，灵敏性	$TPR=\frac{TP}{TP+FN}$	在所有实际为阳性的样本中，被正确地判断为阳性之比率
FPR （True Positive Rate）	假正例率	$FPR=\frac{FP}{FP+TN}$	在所有实际为阴性的样本中，被错误地判断为阳性之比率。
Precision	准确率	$Precision=\frac{TP}{TP+FP}$	预测为正样本中，预测正确的比例
F1	f1值	$F1=\frac{2\times Precision\times TPR}{Precision+TPR}$	用来衡量precision和recall的值，它是这个两个值的调和均值,f1值越大，证明阈值越好。

根据上表计算得到：
TPR=60%
FPR=0%
Precision=100%
f1 = 0.75