机器学习
常见概念
TP、TN、FP和FN概念
| P(分类器认为是正样本) | N(分类器认为是负样本) | |
|---|---|---|
| T(正确分类) | TP | TN |
| F(错误分类) | FP | FN |
注：
TP（True Positives）意思就是被分为了正样本，而且分对了。（样本是正样本）
TN（True Negatives）意思就是被分为了负样本，而且分对了。(样本是负样本)
FP（False Positives）意思就是被分为了正样本，但是分错了。（样本是负样本）
FN（False Negatives）意思就是被分为了负样本，但是分错了。（样本是正样本）
正确率
正确率是我们最常见的评价指标，通常来说，正确率越高，分类器越好。TP是分类器认为是正样本而且确实是正样本的样本数，FP是分类器认为是正样本但实际上不是正样本的样本数，Precision就是“分类器认为是正类并且确实是正类的部分占所有分类器认为是正类的比例”。
召回率
TP是分类器认为是正样本而且确实是正样本的样本数，FN是分类器认为是负样本但实际上不是负样本的样本数，Recall就是“分类器认为是正类并且确实是正类的部分占所有确实是正类的比例”。
