[二分类]混淆矩阵

参考:Confusion matrix

混淆矩阵(confusion matrix)是分类任务中最常见的特性,通过矩阵形式展示预测类别和真实类别的差异

本文学习二分类下的混淆矩阵

正样本和负样本

将包含指定类别的图像称为正样本(positive case),不包含指定类别的图像称为负样本(negative case

混淆矩阵

混淆矩阵是一个两行两列的表格,其结构如下:

预测
truefalse
实际positivetrue positive(TP)false positive(FP)实际正样本个数=TP+FP
negativefalse negative(FN)true negative(TN)实际负样本个数=FN+TN
预测正样本个数=TP+FN预测负样本个数=FP+TN

对数据进行检测,能够得到以下4种检测结果

  • 预测结果是正样本
    • 实际是正样本,称为真阳性(true positive,简称TP
    • 实际是负样本,称为假阴性(false negative, 简称FN
  • 预测结果是负样本
    • 实际是正样本,称为假阳性(false positive,简称FP
    • 实际是负样本,称为真阴性(true negative, 简称TN

也就是说,根据实际情况决定预测结果是阳性还是阴性;根据预测结果和实际情况的比对决定预测结果是真还是假

坚持原创技术分享,您的支持将鼓励我继续创作!