混淆矩阵概念

从机器学习混淆矩阵角度

定义

TP、True Positive 真阳性：预测为正，实际也为正

FP、False Positive 假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测与负、实际为正

TN、True Negative 真阴性：预测为负、实际也为负

预测和实际一致则为真，预测和实际不一致则为假；

预测出来是“正”的，则为“阳”，预测结果为 “负”，则为“阴”。

二分类：

三分类：

对A，B， C三个分类， 计算分类A的相关指标时候，可以理解为将B，C统一归位“非A“，等效为“A”和“非A”两个类别，转换为二分类了。

从医学角度说

定义

• 阳性（positive），代表患病
• 阴性（negative），代表正常

假阳性（false positive）是指因为种种原因把不具备阳性症状的人检测出阳性的结果。其实就是将没病的检查成有病的，假阳性检测结果易造成误诊，

假阴性（false negative）就是将有病的检查为没病，假阴性结果导致漏诊。

敏感度（sensitivity）：又称真阳性率，即患者被诊断为阳性的概率，计算公式是：真阳性／（真阳性＋假阴性）×100％，此值越大，说明诊断试验越灵敏。

特异度（specificity）：又称真阴性率，即实际上未患病的人被诊断为阴性的概率，计算公式是：真阴性／（真阴性＋假阳性）×100％，此值越大，说明诊断试验越精确。

参考资料：

阳性，阴性，假阳性，假阴性，敏感度，特异性

TP真阳性, FP假阳性, FN假阴性, TN真阴性

机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)