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表示分類器判定為正樣本，n表示分類器判定為負樣本。所以：
tp：分類器識別正確，分類器認為該樣本為正樣本；
tn：分類器識別正確，分類器認為該樣本為負樣本；
fp：分類器識別結果錯誤，分類器認為該樣本是正樣本；所以實際上該樣本是負樣本；
fn：分類器識別結果錯誤，分類器認為該樣本是負樣本；所以實際上該樣本是正樣本；
精度 (precision)
p re
cisi
on=t
ptp+
fp
precision = \cfrac
precis
ion=
tp+f
ptp
tp+fp是分類器判定為正樣本的總數量
召回率 tpr（true positive rate）:
t pr
=tpt
p+fn
tpr = \cfrac
tpr=tp
+fnt
p參考：吳恩達機器學習（九）
目標檢測的評價指標
分類模型的評價
假如某個班級有男生80人，女生20人，共計100人。目標是找出所有女生。現在某人挑選出50個人，其中20人是女生，另外還錯誤的把30個男生也當作女生挑選出來了。評估 evaluation 下他的工作。1 accuracy 準確率 0 1損失。分類器 某人 正確分類的樣本數 總樣本數，即20 50 1...
分類模型的評價
1 二分類模型 指標計算 備註精準率 precision precision tp tp fp 在所有被 為陽性的測試資料中，真正是陽性的比率。越大越好 召回率 recall recall tp tp fn 在所有實際為陽性的測試資料中，真正是陽性的比率。越大越好 f1score f1score 2...
分類演算法的評價
引自 分類演算法有很多，不同分類演算法又用很多不同的變種。不同的分類演算法有不同的特定，在不同的資料集上表現的效果也不同，我們需要根據特定的任務進行演算法的選擇，如何選擇分類，如何評價乙個分類演算法的好壞，前面關於決策樹的介紹，我們主要用的正確率 accuracy 來評價分類演算法。正確率確實是乙個...