一图看懂机器学习中 TP、TN、FP、FN、F1、TPR、FPR

TP、TN、FP、FN、F1、TPR、FPR：一图秒懂

机器学习中的二分类

在机器学习的二分类问题中，我们有一个包含正例和负例的数据集。分类模型的任务是根据输入数据预测每个样本的类别（正例或负例）。

混淆矩阵

混淆矩阵是一个表格，用于总结分类模型的预测结果。它包含以下四个值：

• 真阳性 (TP)： 模型正确预测为正例的正例数。
• 真阴性 (TN)： 模型正确预测为负例的负例数。
• 假阳性 (FP)： 模型错误预测为正例的负例数，又称 Type I 错误。
• 假阴性 (FN)： 模型错误预测为负例的正例数，又称 Type II 错误。

性能指标

基于混淆矩阵，我们可以计算出以下性能指标：

准确率 (ACC)

ACC = (TP + TN) / (TP + TN + FP + FN)

准确率表示模型正确预测样本的比例。

灵敏度 (TPR) 或召回率

TPR = TP / (TP + FN)

灵敏度表示模型识别正例的能力。

特异度 (TNR)

TNR = TN / (TN + FP)

特异度表示模型识别负例的能力。

F1 分数

F1 = 2 * (TPR * TNR) / (TPR + TNR)

F1 分数是一个综合指标，同时考虑了灵敏度和特异度。

一图看懂

图片：一图看懂 TP、TN、FP、FN、F1、TPR、FPR

示例

假设我们有一个数据集，其中正例数为 100，负例数为 200。我们训练了一个分类模型，并得到了以下混淆矩阵：

预测值	实际值
正例	80 (TP)
负例	20 (FN)

指标计算：

• ACC = (80 + 90) / (80 + 90 + 10 + 20) = 0.85
• TPR = 80 / (80 + 20) = 0.8
• TNR = 90 / (90 + 10) = 0.9
• F1 = 2 * (0.8 * 0.9) / (0.8 + 0.9) = 0.85

结论

TP、TN、FP、FN、F1、TPR 和 FPR 是衡量机器学习分类模型性能的重要指标。通过理解这些指标的含义，我们可以对模型的优缺点有更深入的了解。