【机器学习】搞清楚机器学习的TP、FN、FP、TN，查全率和查准率，P-R曲线和ROC曲线的含义与关系

本文主要是介绍【机器学习】搞清楚机器学习的TP、FN、FP、TN，查全率和查准率，P-R曲线和ROC曲线的含义与关系，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

最近重新学习了一下机器学习的一些基础知识，这里对性能度量涉及到的各种值与图像做一个总结。

西瓜书里的这一部分讲的比较快，这些概念个人感觉非常绕，推敲了半天才搞清楚。

这些值分别是：

1、混淆矩阵中的：TP FN FP TN

其实很简单，真实情况有两种可能：正（T）和反（F）；预测结果有两种可能：积极（P）和消极（N）

但是比较绕的是对于这里的P和N的理解，看到一个很好的举例，借用一下：

（pic from http://www.360doc.com/content/19/0806/19/52645714_853362368.shtml）

也就是说，

TN的意思是，预测的结果为N，即认为预测对象是F，而这个预测是正确的，所以记为T

如果这个时候思考：那么TN到底代表真实情况是T还是F？

这就有点绕了，有一个简便的方法：将T记为+，F记为-，P记为+，N记为-

那么++和--的运算结果为+，真实情况为T；+-和-+的运算结果为-，真实情况为F

2、查准率P和查全率R

首先注意区分两个P不同的含义，用颜色区分：预测结果P（positive），查准率P（precision）

在看表达式前先说说它们的定义，首先查准率和查全率是一对矛盾的值

查准率是指在所有预测为P的情况（包括将T预测为T的TP，和将F预测为T的FP）下，真实情况为T的比例

故查准率P=TP/P = TP/（TP+FP）

查全率是指在所有真实情况下为T的样本（包括将T预测为T的TP，和将T预测为F的FN）中，预测正确P的比例

故查全率R=TP/T = TP/（TP+FN）

为什么说他们是一对矛盾的值，一个大另外一个就必然小？

可以这样理解：如果希望查准率P高，则需要尽量“保守”预测，不能肯定地预测为P，就给出N的答案，则将真实情况下的T预测为N的情况增加，即FN增加，那么查全率R就会相应地下降

3、ROC曲线（真正利率和假正利率）

表达式：

这篇关于【机器学习】搞清楚机器学习的TP、FN、FP、TN，查全率和查准率，P-R曲线和ROC曲线的含义与关系的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！