Sensitivity 和 Specificity
2020-09-03 本文已影响0人
zidea
| GT(True) | GT(False) | 总数 | |
|---|---|---|---|
| Pred(Positive) | TP | FP | |
| Pred(Negative) | FN | TN |
首先来看我们这张表中行和列都代表什么含义
- P(Positive) 表示预测为正例样本
- N(Negative) 表示预测为负例样本
- T(True) 表示实际为正例样本
- F(False) 表示实际为负例样本
解释说明表格单元格中字母组合的具体含义
- TP 表示将正例样本预测为正例样本
- FP 表示将负例样本预测为负例样本
- FN 表示将正例样本预测为负例样本
- TN 表示将负例样本预测为负例样本
混淆矩阵
| 正例样本 | 负例样本 | |
|---|---|---|
| 预测为正例 | 139 | 20 |
| 预测为负例 | 32 | 112 |
混淆矩阵看上有点 confusing，不过我们这样来看，我们先从行方向看过去，每一行和表示我们判断正例和负例样本数量
| 正例样本 | 负例样本 | ||
|---|---|---|---|
| 预测为正例 | 139 | 20 | 149 |
| 预测为负例 | 32 | 112 | 144 |
| 293 |
表示我们通过对 293 样本进行预测，其中预测为正例样本数量为 149，而预测为负例样本数量为 144。接下来我们换一个方向来看这张表，也就是从列方向来观察这张表。
| 正例样本 | 负例样本 | ||
|---|---|---|---|
| 预测为正例 | 139 | 20 | |
| 预测为负例 | 32 | 112 | |
| 171 | 132 | 293 |
Sensitivity
