混淆矩阵的假正是指（机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)）
混淆矩阵
混淆矩阵如下图：这里以是否有心脏病举例(二分类举例) ，列代表机器学习算法所做的预测 ，有心脏病还是没有心脏病 ，行代表实际的情况 。
真阳性 ，真阴性 ，假阳性 ，假阴性
真阳性(TP)：病人有心脏病 ，且被算法正确的预测出有 。
真阴性(TN)：病人无心脏病 ，且被算法正确的预测出无 。
假阴性(FN)：病人有心脏病 ，但被算法预测成无 ，将原本的阳性预测成阴性 ，预测错误 ，所以是假阴性 。
假阳性(FP)：病人无心脏病 ，但被算法预测成有 ，将原本的阴性预测成阳性 ，所以是假阳性 。
敏感性 ，特异性
Sensitivity敏感性（真阳性率 ，True Positive Rate = TPR）是指以所有的真实的阳性为条件 ，预测结果也为阳性的概率 。
公式如下
在这个例子中 ，是指被正确识别带有心脏病人的百分比 。
Specificity特异性（真阴性率 ，True negative Rate = TNR）是指以所有真实的阴性为条件 ，预测结果也为阴性的概率 。
在这个例子中 ，是指正确识别不带有心脏病人的百分比 。
如果识别阳性重要 ，则要选择高敏感性的方法 ，及Sensitivity高 ，预测准确阳性的概率更高 。
如果识别阴性重要 ，则要选择高特异性的方法 ，及Specificity高 ，预测准确阴性的概率更高 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！