一张图深入的理解FP/FN/Precision/Recall

Posted 2022-07-12 算法与编程之美

由于图片较大，建议右键打开新的窗口以便于阅读！

(1) TP和TN都比较好理解，然而FP和FN容易混淆；

• FP(False Positive)表示错误的正例即错误的将样本中的负例识别为正例，如右图3、4行红色正方形所示；
• FN(False Negative)表示错误的负例即错误的将样本中的正例识别为负例，如右图1、2行红色三角形所示；

(2) 关于评价指标，Accuracy比较好理解，然而Precision和Recall特别容易混淆；

• Precision面向的是检测后的比例，在模型检测后(右图)，检测到的所有正例结果包括正确的正例和错误的正例，相对于原始样本来说， 无论是正确的正例还是错误的正例，其检测结果均为正例，故检测结果中，正例的总数为(TP+FP)， 那么在这些正例中，有多少是正确的正例呢？答案就是TP/(TP+FP)；FP越小，则Precision越大，而FP即为误报为正例数量； 因此，Precision反映的是样本中正例误报的情况。
• Recall面向的是检测前的比例，在原始样本中(左图)，所有的正例被模型真正检测出来的有多少？TP即为检测出来的正例个数， 那么原始样本中所有的正例个数是多少呢？答案是检测出来的正例个数加上未检测出来的正例个数； 而未检测出来的正例个数就是原本是正例然而被模型检测为负例，如右图1、2行的红色三角所示，即为错误的负例(FP)； 故Recall=TP/(TP+FN)；FN越小，则Recall越大，而FN即为漏检为正例的数量；因此Recall反映的是样本中正例漏检的情况。