尧图网站建设 
01 分类结果与混淆矩阵TP、FP、TN、FN 到底是什么在分类模型中我们经常看到下面四个缩写TP FP TN FN它们是理解 Accuracy、Precision、Recall、Specificity、F1、ROC 和 AUC 的基础。如果这四个概念没有真正理解后面的分类评估指标通常只能靠死记公式。一、先从二分类问题开始假设我们正在建立一个模型用于判断某个样本是否为“正类”。例如疾病检测 Positive 有病 Negative 无病 垃圾邮件检测 Positive 垃圾邮件 Negative 正常邮件 设备故障检测 Positive 设备故障 Negative 设备正常模型最终会给出一个预测结果预测为 Positive 或 预测为 Negative而现实世界中每一个样本也存在真实标签真实 Positive 或 真实 Negative于是就产生了四种组合。二、TPTrue PositiveTP 的完整名称是True Positive可以理解为模型预测为正类而且预测正确。例如疾病检测真实有病 预测有病因此TP 正确识别出来的正样本三、FPFalse PositiveFP 的完整名称是False Positive含义是模型预测为正类但实际上是负类。疾病检测中真实无病 预测有病这相当于一次“误报”。因此 FP 也经常被称为False Alarm 误报 假阳性四、TNTrue NegativeTN 的完整名称是True Negative含义是模型预测为负类并且预测正确。疾病检测中真实无病 预测无病因此TN 正确识别出来的负样本五、FNFalse NegativeFN 的完整名称是False Negative含义是模型预测为负类但实际上是正类。疾病检测中真实有病 预测无病这相当于一次“漏检”。因此 FN 经常被称为Miss 漏报 漏检 假阴性六、最重要的记忆方法可以把 TP、FP、TN、FN 拆成两部分理解。例如TP第一个字母T True表示预测是否正确第二个字母P Positive表示模型预测的类别因此TP 预测 Positive而且预测正确 FP 预测 Positive但是预测错误 TN 预测 Negative而且预测正确 FN 预测 Negative但是预测错误七、Confusion Matrix混淆矩阵四种结果通常放在一个二维表格中这就是Confusion Matrix 混淆矩阵一种常见排列方式如下Predicted PositivePredicted NegativeActual PositiveTPFNActual NegativeFPTN例如TP 80 FN 20 FP 10 TN 890那么混淆矩阵为Predicted PositivePredicted NegativeActual Positive8020Actual Negative10890总样本数为NTPFPTNFNNTPFPTNFNNTPFPTNFN因此N8010890201000N8010890201000N8010890201000八、为什么叫“混淆矩阵”因为模型可能把不同类别“混淆”。例如真实 Positive ↓ 模型预测 Positive → TP 模型预测 Negative → FN以及真实 Negative ↓ 模型预测 Negative → TN 模型预测 Positive → FP混淆矩阵实际上告诉我们模型到底把哪些类别判断对了又把哪些类别搞混了。九、TP、FP、TN、FN 的业务含义并不相同假设是癌症筛查。FN 表示患者真的患病 但是模型判断为健康这个错误可能非常严重。而 FP 表示健康的人 被模型判断为可能患病虽然会带来进一步检查的成本但很多场景下其风险可能低于漏诊。因此分类模型的不同错误通常具有不同代价。这也是为什么不能只看 Accuracy。十、False Positive Rate 和 False Negative Rate在后面的 ROC 中会用到 False Positive RateFPRFPFPTNFPR\frac{FP}{FPTN}FPRFPTNFP它表示所有真实负样本中有多少被错误判断成了正类。False Negative Rate 为FNRFNFNTPFNR\frac{FN}{FNTP}FNRFNTPFN它表示所有真实正样本中有多少被错误判断成了负类。由于TPRFNR1TPRFNR1TPRFNR1所以FNR1−TPRFNR1-TPRFNR1−TPR同样TNRFPR1TNRFPR1TNRFPR1因此FPR1−TNRFPR1-TNRFPR1−TNR十一、一个完整例子假设有 1000 个样本100 个真正的故障设备 900 个正常设备模型结果检测出 80 个故障设备 漏掉 20 个故障设备 错误报警 30 个正常设备 正确识别 870 个正常设备则TP 80 FN 20 FP 30 TN 870这些数字本身就已经能够告诉我们很多信息。例如漏检了 20 台故障设备 误报了 30 台正常设备下一步我们就可以利用这些数字计算 Accuracy、Precision、Recall、Specificity 和 F1-score。十二、总结二分类评估的所有常见指标几乎都建立在TP FP TN FN之上。最核心的关系是真实 Positive → TP FN 真实 Negative → TN FP 预测 Positive → TP FP 预测 Negative → TN FN后面的 Accuracy、Precision、Recall 和 Specificity本质上只是从不同角度观察这四个数字。 01 分类结果与混淆矩阵：TP、FP、TN、FN 到底是什么？
01 分类结果与混淆矩阵TP、FP、TN、FN 到底是什么在分类模型中我们经常看到下面四个缩写TP FP TN FN它们是理解 Accuracy、Precision、Recall、Specificity、F1、ROC 和 AUC 的基础。如果这四个概念没有真正理解后面的分类评估指标通常只能靠死记公式。一、先从二分类问题开始假设我们正在建立一个模型用于判断某个样本是否为“正类”。例如疾病检测 Positive 有病 Negative 无病 垃圾邮件检测 Positive 垃圾邮件 Negative 正常邮件 设备故障检测 Positive 设备故障 Negative 设备正常模型最终会给出一个预测结果预测为 Positive 或 预测为 Negative而现实世界中每一个样本也存在真实标签真实 Positive 或 真实 Negative于是就产生了四种组合。二、TPTrue PositiveTP 的完整名称是True Positive可以理解为模型预测为正类而且预测正确。例如疾病检测真实有病 预测有病因此TP 正确识别出来的正样本三、FPFalse PositiveFP 的完整名称是False Positive含义是模型预测为正类但实际上是负类。疾病检测中真实无病 预测有病这相当于一次“误报”。因此 FP 也经常被称为False Alarm 误报 假阳性四、TNTrue NegativeTN 的完整名称是True Negative含义是模型预测为负类并且预测正确。疾病检测中真实无病 预测无病因此TN 正确识别出来的负样本五、FNFalse NegativeFN 的完整名称是False Negative含义是模型预测为负类但实际上是正类。疾病检测中真实有病 预测无病这相当于一次“漏检”。因此 FN 经常被称为Miss 漏报 漏检 假阴性六、最重要的记忆方法可以把 TP、FP、TN、FN 拆成两部分理解。例如TP第一个字母T True表示预测是否正确第二个字母P Positive表示模型预测的类别因此TP 预测 Positive而且预测正确 FP 预测 Positive但是预测错误 TN 预测 Negative而且预测正确 FN 预测 Negative但是预测错误七、Confusion Matrix混淆矩阵四种结果通常放在一个二维表格中这就是Confusion Matrix 混淆矩阵一种常见排列方式如下Predicted PositivePredicted NegativeActual PositiveTPFNActual NegativeFPTN例如TP 80 FN 20 FP 10 TN 890那么混淆矩阵为Predicted PositivePredicted NegativeActual Positive8020Actual Negative10890总样本数为NTPFPTNFNNTPFPTNFNNTPFPTNFN因此N8010890201000N8010890201000N8010890201000八、为什么叫“混淆矩阵”因为模型可能把不同类别“混淆”。例如真实 Positive ↓ 模型预测 Positive → TP 模型预测 Negative → FN以及真实 Negative ↓ 模型预测 Negative → TN 模型预测 Positive → FP混淆矩阵实际上告诉我们模型到底把哪些类别判断对了又把哪些类别搞混了。九、TP、FP、TN、FN 的业务含义并不相同假设是癌症筛查。FN 表示患者真的患病 但是模型判断为健康这个错误可能非常严重。而 FP 表示健康的人 被模型判断为可能患病虽然会带来进一步检查的成本但很多场景下其风险可能低于漏诊。因此分类模型的不同错误通常具有不同代价。这也是为什么不能只看 Accuracy。十、False Positive Rate 和 False Negative Rate在后面的 ROC 中会用到 False Positive RateFPRFPFPTNFPR\frac{FP}{FPTN}FPRFPTNFP它表示所有真实负样本中有多少被错误判断成了正类。False Negative Rate 为FNRFNFNTPFNR\frac{FN}{FNTP}FNRFNTPFN它表示所有真实正样本中有多少被错误判断成了负类。由于TPRFNR1TPRFNR1TPRFNR1所以FNR1−TPRFNR1-TPRFNR1−TPR同样TNRFPR1TNRFPR1TNRFPR1因此FPR1−TNRFPR1-TNRFPR1−TNR十一、一个完整例子假设有 1000 个样本100 个真正的故障设备 900 个正常设备模型结果检测出 80 个故障设备 漏掉 20 个故障设备 错误报警 30 个正常设备 正确识别 870 个正常设备则TP 80 FN 20 FP 30 TN 870这些数字本身就已经能够告诉我们很多信息。例如漏检了 20 台故障设备 误报了 30 台正常设备下一步我们就可以利用这些数字计算 Accuracy、Precision、Recall、Specificity 和 F1-score。十二、总结二分类评估的所有常见指标几乎都建立在TP FP TN FN之上。最核心的关系是真实 Positive → TP FN 真实 Negative → TN FP 预测 Positive → TP FP 预测 Negative → TN FN后面的 Accuracy、Precision、Recall 和 Specificity本质上只是从不同角度观察这四个数字。