機器學習中 TP FP TN FN的概念

先生胡發表於2022-06-23

二分類

在二分類問題中,TP FP TN FN 是非常清楚且易於理解的。

TP (True Positive) : 預測為 1 ,真實值也為 1 -> 真陽性

FP (False Positive): 預測為 1 ,真實值為 0 -> 假陽性

TN (True Negative): 預測為 0 ,真實值也為 0 -> 真陰性

FN (False Negative): 預測為 0 ,真實值為 1 -> 假陰性

多分類

多分類問題的 TP FP TN FN 可以通過混淆矩陣來說明。

例如 存在這樣一個示例:

y_true = [0, 1, 2, 0, 1, 2]

y_pred = [0, 2, 1, 0, 0, 1]

其混淆矩陣可以如下所示,混淆矩陣中,數字代表的是預測情況的次數,比如第一個方格中的 2 就表示,預測為 0 且真實值也為0的出現的次數為 2 次。

由混淆矩陣,各個類別的 TP FP TN FN 可以如下計算。

  • 類別 0:

TP=2;
TN=0+1+2+0=3;
FP=0+1=1;
FN=0+0=0;

  • 類別 1:

TP=0;
TN=2+0+0+0=2;
FP=0+2=2;
FN=1+1=2;

  • 類別 2:

TP=0;
TN=2+0+1+0=3;
FP=0+1=1;
FN=0+2=2;

相關文章