混淆矩阵的真正率、假正率,假负率,真负率

混淆矩阵的真正率、假正率,假负率,真负率_第1张图片

 

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;

一)

真正率( True Positive Rate, TPR)或灵敏度(sensitivity) 
TPR = TP /(TP + FN) 
正样本预测结果数 / 正样本实际数 

二)

真负率(True Negative Rate , TNR)或特指度(specificity) 
TNR = TN /(TN + FP) 
负样本预测结果数 / 负样本实际数

三)

假正率 (False Positive Rate, FPR) 
FPR = FP /(FP + TN) 
被预测为正的负样本结果数 /负样本实际数

四)

假负率( False Negative Rate, FNR) 
FNR = FN /(TP + FN) 
被预测为负的正样本结果数 / 正样本实际数

举个例子

混淆矩阵的真正率、假正率,假负率,真负率_第2张图片 

 

参考

一文让你彻底理解准确率,精准率,召回率,真正率,假正率,ROC/AUC - AIQ (6aiq.com)

你可能感兴趣的:(python,pytorch,算法,python,机器学习)