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)-Toy模板网

这篇具有很好参考价值的文章主要介绍了机器学习基础（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)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

混淆矩阵

混淆矩阵如下图：这里以是否有心脏病举例(二分类举例)，列代表机器学习算法所做的预测，有心脏病还是没有心脏病，行代表实际的情况。
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)

真阳性，真阴性，假阳性，假阴性

真阳性(TP)：病人有心脏病，且被算法正确的预测出有。

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)
真阴性(TN)：病人无心脏病，且被算法正确的预测出无。

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)
假阴性(FN)：病人有心脏病，但被算法预测成无，将原本的阳性预测成阴性，预测错误，所以是假阴性。

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)
假阳性(FP)：病人无心脏病，但被算法预测成有，将原本的阴性预测成阳性，所以是假阳性。

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)

敏感性，特异性

Sensitivity敏感性（真阳性率，True Positive Rate = TPR）是指以所有的真实的阳性为条件，预测结果也为阳性的概率。
公式如下
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)

在这个例子中，是指被正确识别带有心脏病人的百分比。

Specificity特异性（真阴性率，True negative Rate = TNR）是指以所有真实的阴性为条件，预测结果也为阴性的概率。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)

在这个例子中，是指正确识别不带有心脏病人的百分比。

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)
如果识别阳性重要，则要选择高敏感性的方法，及Sensitivity高，预测准确阳性的概率更高。

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)
如果识别阴性重要，则要选择高特异性的方法，及Specificity高，预测准确阴性的概率更高。文章来源地址https://www.toymoban.com/news/detail-403301.html

到了这里，关于机器学习基础（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)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！