模型效果衡量标准

True Positive  （真正, TP） 被模型预测为正样本，是真的判断正确。所以就是正样本，也称作正的数。

True Negative（真负 , TN）被模型判断为负样本，是真的判断正确。所以就是负样本，也称作负的数。

False Positive  （假正, FP）被模型判断为正样本，是假的判断错误。所以应该是负样本，也称作误报数。

False Negative（假负 , FN）被模型判断为负样本，是假的判断错误。所以应该是正样本，也称作漏报数。

True Positive Rate（真正率 , TPR）或 sensitivity（灵敏度/敏感性）  ——用于验证模型检测正例效果
   TPR = True Positive /（True Positive + False Negative）  
   预测为正的正样本数 / 正样本实际数

True Negative Rate（真负率 , TNR）或 specificity (特指度/特异性)  ——用于验证模型检测负例效果 TNR ≠ 1-TPR
   TNR = True Negative /（True Negative + False Positive）  
   预测为负的负样本数 / 负样本实际数

False Positive Rate （假正率, FPR）  
   FPR = False Positive /（False Positive + True Negative）  ——用于和TPR一起绘制ROC曲线
   预测为正的负样本数 /负样本实际数

False Negative Rate（假负率 , FNR）  
   FNR = False Negative /（True Positive + False Negative）  ——用的少
   预测为负的正样本数 / 正样本实际数

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！