不知道有没有朋友也有这种烦恼:每次遇到涉及分类结果混淆矩阵中 TP、TN、FP、FN 等都一下子对应不起来,查看“西瓜书”或者网上资料后,当时记起来又理解了,过段时间再遇到又忘了。。。。。。反反复复。。。。。。好痛苦!
所以就特别想找到一个彻底解决“对不上号”的问题!
- 首先,先上一张比“西瓜书” p30 也的图更直观的图示:
文章图片
- 然后,先暂时放下这张图,请一定先不要按照行列的首字母对号入座(按照搜字母对号入座的理解就会感觉这张图是错误对的),先请放一放,同时也不要去回想自己之前对 TP、TN、FP、FN 任何的理解(不管它是对的还是错误的)!现在只记住两条:
- TP、TN、FP、FN 中的第二个字母是机器学习算法或模型预测的结果标识(正例:P、反例:N)
- TP、TN、FP、FN 中的第一个字母是根据真实情况判断模型的预测结果是否正确的标识(正确:T、错误:F),换句话说,这个表格的行标 T、F 仅仅是判断模型预测结果的一个参考,并不对应表格中的 TP、FN、FP、TN 的首字母
正确地预测为正例(真正例):TP
正确地预测为反例(真反例):TN
错误地预测为正例(假正例):FP
错误地预测为反例(假反例):FN
- 【Machine|机器学习分类结果混淆矩阵 TP、TN、FP、FN 防混淆基于方法】这个表格最误导人的地方就是如果“认真地”表格的行标及列标的首字母与表格中的 TP、FN、FP、TN 的首字母,就会发现第二列不能对号入座,因为第二列的首字母与行标的首字母恰好相反!
- 为什么第一列的行标与每一项内容的第一个首字母相反呢?理解了这个地方也就理解了这个表格的实际意义!原因就是每一项的首字母是我们根据真实情况对机器的结果(第二列)的正、误判断,而并不是代表真情情况中的正例和反例!因此,并不能与行标对应!
推荐阅读
- Machine|scikit-learn-分类模型评价标准
- AI|bert实现端到端继续预训练
- 数学|matlab三维山峰/山脉/山地曲面数据图
- Deep|Caffe——整体结构剖析
- Deep|Caffe——环境安装和配置(CPU)
- Deep|Caffe——模型解析
- machine|LightGBM参数介绍
- Python|Python怎么控制浮点数保留几位小数
- statistic|隐马尔科夫模型(HMM)与线性动态系统(LDS)
- deep|强化学习--信赖域系方法(TRPO、PPO(附适合初学者阅读的完整PPO代码连接))