來自微信公眾號：小白CV關注可了解更多CV，ML，DL領域基礎/最新知識;如果你覺得小白CV對您有幫助，歡迎點贊/收藏/轉發

在機器學習領域中，用于評價一個模型的性能有多種指標，其中幾項就是FP、FN、TP、TN、精確率(Precision)、召回率(Recall)、準確率(Accuracy)。這里我們就對這塊內容做一個集中的理解。分為一和二，5分鐘。

一、FP、FN、TP、TN

你這蠢貨，是不是又把酸葡萄和葡萄酸弄“混淆“啦！！！

上面日常情況中的混淆就是：是否把某兩件東西或者多件東西給弄混了，迷糊了。

在機器學習中, 混淆矩陣是一個誤差矩陣, 常用來可視化地評估監督學習算法的性能.。混淆矩陣大小為 (n_classes, n_classes) 的方陣, 其中 n_classes 表示類的數量。

其中，這個矩陣的一行表示預測類中的實例（可以理解為模型預測輸出，predict），另一列表示對該預測結果與標簽（Ground Truth）進行判定模型的預測結果是否正確，正確為True，反之為False。

在機器學習中ground truth表示有監督學習的訓練集的分類準確性，用于證明或者推翻某個假設。有監督的機器學習會對訓練數據打標記，試想一下如果訓練標記錯誤，那么將會對測試數據的預測產生影響，因此這里將那些正確打標記的數據成為ground truth。

此時，就引入FP、FN、TP、TN與精確率(Precision)，召回率(Recall)，準確率(Accuracy)。

以貓狗二分類為例，假定cat為正例-Positive，dog為負例-Negative；預測正確為True，反之為False。我們就可以得到下面這樣一個表示FP、FN、TP、TN的表：

此時如下代碼所示，其中scikit-learn 混淆矩陣函數 sklearn.metrics.confusion_matrix API 接口，可以用于繪制混淆矩陣

skearn.metrics.confusion_matrix(y_true,???#?array,?Gound?true?(correct)?target?valuesy_pred,??#?array,?Estimated?targets?as?returned?by?a?classifierlabels=None,??#?array,?List?of?labels?to?index?the?matrix.sample_weight=None??#?array-like?of?shape?=?[n_samples],?Optional?sample?weights )

完整示例代碼如下：

import?seaborn?as?sns from?sklearn.metrics?import?confusion_matrix import?matplotlib.pyplot?as?plt sns.set()f,?(ax1,ax2)?=?plt.subplots(figsize?=?(10,?8),nrows=2) y_true?=?["dog",?"dog",?"dog",?"cat",?"cat",?"cat",?"cat"] y_pred?=?["cat",?"cat",?"dog",?"cat",?"cat",?"cat",?"cat"] C2=?confusion_matrix(y_true,?y_pred,?labels=["dog",?"cat"]) print(C2) print(C2.ravel()) sns.heatmap(C2,annot=True)ax2.set_title('sns_heatmap_confusion_matrix') ax2.set_xlabel('Pred') ax2.set_ylabel('True') f.savefig('sns_heatmap_confusion_matrix.jpg',?bbox_inches='tight')

保存的圖像如下所示：

這個時候我們還是不知道skearn.metrics.confusion_matrix做了些什么，這個時候print(C2)，打印看下C2究竟里面包含著什么。最終的打印結果如下所示：

[[1?2][0?4]] [1?2?0?4]

解釋下上面這幾個數字的意思：

C2=?confusion_matrix(y_true,?y_pred,?labels=["dog",?"cat"])中的labels的順序就分布是0、1，negative和positive注：labels=[]可加可不加，不加情況下會自動識別，自己定義

• cat為1-positive，其中真實值中cat有4個，4個被預測為cat，預測正確T，0個被預測為dog，預測錯誤F；

• dog為0-negative，其中真實值中dog有3個，1個被預測為dog，預測正確T，2個被預測為cat，預測錯誤F。

所以：TN=1、 FP=2 、FN=0、TP=4。

• TN=1：預測為negative狗中1個被預測正確了

• FP=2 ：預測為positive貓中2個被預測錯誤了

• FN=0：預測為negative狗中0個被預測錯誤了

• TP=4：預測為positive貓中4個被預測正確了

這時候再把上面貓狗預測結果拿來看看，6個被預測為cat，但是只有4個的true是cat，此時就和右側的紅圈對應上了。

y_pred?=?["cat",?"cat",?"dog",?"cat",?"cat",?"cat",?"cat"]y_true?=?["dog",?"dog",?"dog",?"cat",?"cat",?"cat",?"cat"]

---

二、精確率(Precision)、召回率(Recall)、準確率(Accuracy)

有了上面的這些數值，就可以進行如下的計算工作了

準確率(Accuracy)：這三個指標里最直觀的就是準確率: 模型判斷正確的數據(TP+TN)占總數據的比例

"Accuracy:?"+str(round((tp+tn)/(tp+fp+fn+tn),?3))

召回率(Recall)：針對數據集中的所有正例(TP+FN)而言,模型正確判斷出的正例(TP)占數據集中所有正例的比例.FN表示被模型誤認為是負例但實際是正例的數據.召回率也叫查全率,以物體檢測為例,我們往往把圖片中的物體作為正例,此時召回率高代表著模型可以找出圖片中更多的物體!

"Recall:?"+str(round((tp)/(tp+fn),?3))

精確率(Precision)：針對模型判斷出的所有正例(TP+FP)而言,其中真正例(TP)占的比例.精確率也叫查準率,還是以物體檢測為例,精確率高表示模型檢測出的物體中大部分確實是物體,只有少量不是物體的對象被當成物體

"Precision:?"+str(round((tp)/(tp+fp),?3))

還有一些別的度量方式，如下，自行學習，不做擴展

("Sensitivity:?"+str(round(tp/(tp+fn+0.01),?3))) ("Specificity:?"+str(round(1-(fp/(fp+tn+0.01)),?3))) ("False?positive?rate:?"+str(round(fp/(fp+tn+0.01),?3))) ("Positive?predictive?value:?"+str(round(tp/(tp+fp+0.01),?3))) ("Negative?predictive?value:?"+str(round(tn/(fn+tn+0.01),?3)))

文本轉載自公眾號：小白算法，作者Q.IAN。小白算法專注于學生和初從業者零碎時間充電，涉及基礎算法、計算機視覺(CV)、人工智能(AI)圖像領域。包含Opencv、C++、Python、TensorFlow、Keras語言庫框架等。只關注技術，做人人都能懂的知識公眾平臺。

推薦閱讀：（點擊下方標題即可跳轉）

為什么要考985？

受用一生的高效PyCharm使用技巧

沒看完這11 條，別說你精通 Python 裝飾器

總結

以上是生活随笔為你收集整理的FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)评价指标详述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。