TP TN FP FN Recall Specificity Precision Accuracy

 

对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True positive）,正类被预测成负类则为假负类（false negative）。

列联表如下表所示，1代表正类，0代表负类。

		预测
		1	0	合计
实际	1	True Positive（TP）	False Negative（FN）	Actual Positive(TP+FN)
	0	False Positive（FP)	True Negative(TN)	Actual Negative(FP+TN)
合计		Predicted Positive(TP+FP)	Predicted Negative(FN+TN)	TP+FP+FN+TN

从列联表引入两个新名词。其一是真正类率(true positive rate ,TPR), 计算公式为TPR=TP / (TP + FN)，刻画的是分类器所识别出的正实例占所有正实例的比例。另外一个是负正类率(false positive rate, FPR),计算公式为FPR= FP / (FP + TN)，计算的是分类器错认为正类的负实例占所有负实例的比例。还有一个真负类率（True Negative Rate，TNR），也称为specificity,计算公式为TNR=TN / (FP + TN) = 1 − FPR。

False positive rate (α) = FP / (FP + TN) = 1 − specificity

False negative rate (β) = FN / (TP + FN) = 1 − sensitivity

Power = sensitivity = 1 − β

Likelihood ratio positive = sensitivity / (1 − specificity)

Likelihood ratio negative = (1 − sensitivity) / specificity

 

		Confuse Matrix
		Positive (P=TP+FN)	Negative (N=TN+FP)
Test outcome	Positive (P'=TP+FP)	True Positive (TP)	False Positive (FP) (, )	→  PPV=TP/(TP+FP) or, Precision
	Negative (N'=FN+TN)	False Negative (FN) ()	True Negative (TN)	→  NPV=TN/(TN+FN)
		↓ Sensitivity= TP/(TP+FN)= TP/P or True Positive Rate (TPR) or Recall	↓ Specificity= TN/(FP+TN)= TN/N or True Negative Rate(TNR)	Accuracy: ACC=TP+TN/(P+N) MCC=(TPxTN-FPxFN) / Sqrt ( PxNxP’xN’ ) F-measure= 2xPrecsionxRecall / (Precsion+Recall)

 

MCC: Matthews correlation coefficient

false discovery rate (FDR)

FDR = FP / (FP + TP)