這四個值所代表的意義應該是做模式分類需要知道的基本知識了。以前是用的時候用一次查一次，但好像每次理解都不是特別到位。現在覺得真正理解了很有必要，就認真記錄一下，幫助理解。
我們先從最簡單的二分類說起：
假設我們現在有兩類，乙個正類，乙個負類。對於每乙個樣本，有兩個標籤。乙個是真正所屬類別的標籤，另乙個是我們通過訓練測試所賦予它的標籤。後者是否與前者一致就成為了我們評價分類器表現好壞的乙個標準。
這下就好辦了：
tp(true positive):分類正確，把原本屬於正類的樣本分成正類。
tn(true negative):分類正確，把原本屬於負類的樣本分成負類。
fp(false positive):分類錯誤，把原本屬於負類的錯分成了正類。
fn(false negative):分類錯誤，把原本屬於正類的錯分成了負類。
由此延伸出來兩種常用的比率：
tpr(true positive rate):
正類中分對的比例，也就是本屬於正類，且被正確分類成正類佔正類樣本數的比例，計算公式為：
tp/(tp+fn)
fpr(false positive rate):
本屬於負類但被錯分佔負類樣本數的比例，計算公式為：
fp/(tn+fp)
常用的評價方式可參考
分類精度評價中的TP TN FP FN的理解
tp tn fp fn主要用來統計兩類分類的問題，當然多個類別也可以分別統計。將樣本分為正樣本 positive 和負樣本 negative tp tn fp fn中第乙個字母表示分類器識別結果是否正確，正確用true的首字母t表示，錯誤用false的首字母f表示。第二個字母表示分類器的判定結果，p...
分類評判標準 準確率，召回率，F值
注 由於翻譯時有的precision會翻譯成準確率有的會翻譯成精確率，我就不糾結這個到底是什麼了，總之評價的標註有 precision,recall,f score。以前一直覺得precision是可以用 對的 總的，今天和師姐一起稍稍研究了一下發現並不是這樣的。師姐說我說的這個 對的 總的 叫做a...
決策樹評判標準
針對分類問題，劃分規則的評判可以分為兩步 1.如果乙個節點上的資料都差不多是同一類別，那麼，這個節點就幾乎不需要再做劃分了，否則想要針對該節點，生成新的劃分規則。2.如果新的規則能基本上把節點上不同類別的資料離開，使得每個子節點上都是類別比較單一的資料，那麼這個規則就是乙個好規則。現在定義節點的不純...