Record_05：准确率（Accuracy）_精确率（Precision）_召回率（Recall）_漏报率_误报率

@Record_05_准确率（Accuracy）_精确率（Precision）_召回率（Recall）_漏报率_误报率
折腾了这么久，跟别人探讨了，自学了这么久，还是要来写一下这个博客，对自己是一种记录，希望这种记录对你有用。

混淆矩阵

不怎容易弄明白的矩阵，所以叫混淆矩阵，很多人混淆可能是看表格的方向不知道，按照下面说的，再看看能不能明白。

原始标签	检测成正样本	检测成负样本
标签：正样本	TP	FN
标签：负样本	FP	TN

这个表格：

第2行从左往右看：

原来样本标签是正样本，通过模型后，模型检测该样本为正样本，是为真阳，TP，True Positive

原来样本标签是正样本，通过模型后，模型检测该样本为负样本，是为假阴，FN，False Negative

第3行从左往右看：

原来样本标签是负样本，通过模型后，模型检测该样本为正样本，是为假阳，FP，False Positive

原来样本标签是负样本，通过模型后，模型检测该样本为负样本，是为真阴，TN，True Negative

对于分类问题，我们关注的是正样本到底检测没检测出来。所以正，是，阳；负，是，阴。

由混淆矩阵，可以得到下面公式：

准确率_Accuracy 计算公式：

$$ACC=\frac{TP+TN}{TP+FN+FP+TN}$$

精确率_Precision 计算公式：

$$Precision=\frac{TP}{TP+FP}$$

召回率_Recall 计算公式：

$$Recall=\frac{TP}{TP+FN}$$

误报率计算公式：

$$FNR=\frac{FN}{TP+FN}=1-Precision$$

漏报率计算公式：

$$FPR=\frac{FP}{TP+FP}=1-Recall$$

以下补充内容，仅供参考！不负法律责任！

下面补充是我自己的理解，你觉得能帮助你理解就行，你要是大牛看不惯，可以忽略。

漏报：

漏报的含义是：原来标签是正样本，模型如果检测它是正样本，那么应该报警。

比如吸烟分类，吸烟是正样本，不吸烟的其他所有都是负样本。

模型在检测时，如果检测到吸烟，就要报警：请勿吸烟！

这就是报警，报警报告的是正样本。

原来是正样本，结果模型没检测出来它是吸烟样本，就是漏报。

漏报率计算公式：

$$\frac{FN}{TP+FN}$$

也就是：

$$1-Recall=1-\frac{TP}{TP+FN}=\frac{FN}{TP+FN}$$

误报：

误报的含义是：原来标签是负样本，模型如果检测它是正样本，也是报警，只不过是误报。

比如吸烟分类，吸烟是正样本，不吸烟的其他所有都是负样本。

如果司机吃苹果，模型检测司机吃苹果是吸烟，就是误报。

原来是负样本，结果模型检测出来它是吸烟样本，就是误报。

误报率计算公式：

但是，很多人要把这些公司在python代码中实现出来，用FNR，FPR表达出来的含义在网上一搜好多版本，以下是我的理解。不喜忽略！不负法律责任！

FNR，是False Negative Rate的英文简写，有两个表达式：

$$FN{R}_{positive}=\frac{FN}{TP+FN}$$
$$FN{R}_{negtive}=\frac{FN}{TN+FN}$$

通常默认FNR_positive为漏报率，即漏报率默认是FNR表示，即漏报率：

$$FNR=\frac{FN}{TP+FN}$$

FPR，是False Positive Rate的英文简写，也是两个表达式：

FPR却是有两个公式，我标记成如下：

$$FP{R}_{positive}=\frac{FP}{TP+FP}$$
$$FP{R}_{negtive}=\frac{FP}{TN+FP}$$

通常默认FPR_positive为漏报率，即误报率默认是FPR表示，即误报率：

$$FPR=\frac{FP}{TP+FP}$$