問題：機(jī)器學(xué)習(xí)里，什么是假陽性滞造，什么是假陰性欲间？
學(xué)習(xí)ing，在機(jī)器學(xué)習(xí)之旅断部，麻省博士小姐姐帶我 ︿(￣︶￣)︿
曾經(jīng)猎贴，在 python 的機(jī)器學(xué)習(xí)開源庫 sklearn 的混淆矩陣模塊 scikit-learn-confusion_matrix 里，筆者常澈猓看tn, fp, fn, tp等縮寫變量她渴，百思不得其解。
>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
>>> (tn, fp, fn, tp)
(0, 2, 1, 1)
如下圖蔑祟，檢索得到的網(wǎng)絡(luò)資料趁耗，專業(yè)論述嚴(yán)謹(jǐn)準(zhǔn)確，但解釋起來冷冰冰疆虚，對(duì)我而言苛败，仍然顯得晦澀
混淆表格（有時(shí)候也稱為混淆矩陣）满葛，是由false positives，falsenegatives罢屈，true positives和true negatives組成的兩行兩列的表格嘀韧。
True positive (TP) ：真實(shí)為P，預(yù)測(cè)為P
True negative (TN): 真實(shí)為N缠捌，預(yù)測(cè)為N
False positive (FP)：真實(shí)為N锄贷，預(yù)測(cè)為P
False negative (FN)：真實(shí)為P，預(yù)測(cè)為N
包括博客文章里解釋的「貓狗識(shí)別分類」例子曼月，聽過之后谊却，筆者依然「一頭霧水」。
看過這個(gè)視頻之后哑芹，豁然開朗炎辨。
ML Basics: False Positives, False Negatives
回答：假陽性False Positives&假陰性False Negatives
快樂學(xué)習(xí)，從形象的例子開始聪姿。
假設(shè)：給你一百張圖片蹦魔。讓你來判斷 -> 每張圖片中是否有人類？
這個(gè)任務(wù)需要預(yù)測(cè)兩種情況——有人&沒人咳燕，叫做二元分類勿决。
- 圖片里有人，你識(shí)別「有人」——叫做「真陽性(True positive)」
-
圖片里沒人招盲，你識(shí)別「沒人」——叫做「真陰性(True negative)」
-
圖片里沒人低缩，你識(shí)別「有人」——叫做「假陽性(False postive)」
圖片里有人，你識(shí)別「沒人」——叫做「假陰性(False negative)」
總結(jié)：
- 預(yù)測(cè)正確曹货，以「True」開頭咆繁。
- 預(yù)測(cè)錯(cuò)誤，以「False」開頭顶籽。
- 預(yù)測(cè)結(jié)果是陽性（比如「有人」玩般、「患病」），以「 postive」結(jié)尾礼饱。
- 預(yù)測(cè)結(jié)果是陰性（比如「沒人」坏为、「無病」），以「 negative」結(jié)尾镊绪。
術(shù)語：準(zhǔn)確率（Accuracy）
正確識(shí)別的圖片的百分?jǐn)?shù)——準(zhǔn)確率（Accuracy）= TP+TN / TP+TN+FP+FN
誤區(qū)：TP&TN 比 FP&FN 更重要
比如匀伏，在醫(yī)學(xué)影像診斷疾病的應(yīng)用中。
對(duì)于沒有疾病的監(jiān)測(cè)者蝴韭，預(yù)測(cè) TA 可能有病够颠，需要進(jìn)一步檢查。這個(gè)無傷大雅榄鉴。
但對(duì)于患病的監(jiān)測(cè)者履磨，預(yù)測(cè) TA 沒有疾病風(fēng)險(xiǎn)蛉抓，那就是嚴(yán)重問題。
我們會(huì)更關(guān)注「假陰性率（False Negative Rate）」 = FN/FN+FP
換句話說剃诅，我們關(guān)注——對(duì)于多少包含患病風(fēng)險(xiǎn)的檢測(cè)者巷送，我們預(yù)測(cè)錯(cuò)誤的比例是多少？
在安全防護(hù)領(lǐng)域综苔，「假陽性率」需要關(guān)注：
對(duì)于，自己手機(jī)的指紋識(shí)別功能位岔，識(shí)別錯(cuò)了自己的指紋如筛，這是「假陰性」，幾秒鐘之內(nèi)多按幾次抒抬，也能解鎖手機(jī)杨刨，那也還好。
但如果擦剑，用別人的指紋妖胀，也能解鎖你的手機(jī)。那就問題嚴(yán)重了惠勒，這是「假陽性」赚抡。
這個(gè)例子里，我們會(huì)更關(guān)注「假陽性率（False Postive Rate）」 = FP/FP+TN纠屋。換句話說涂臣，我們關(guān)注——對(duì)于多少不是本機(jī)主人指紋的打開嘗試，我們預(yù)測(cè)錯(cuò)誤的比例是多少售担？
總結(jié)：
- 在智能醫(yī)療領(lǐng)域赁遗，比如患病風(fēng)險(xiǎn)監(jiān)測(cè)的應(yīng)用，我們會(huì)更關(guān)注「假陰性率（False Postive Rate）」族铆，對(duì)于多少包含患病風(fēng)險(xiǎn)的檢測(cè)者岩四，我們預(yù)測(cè)錯(cuò)誤的比例是多少？備注：陰性定義是——檢測(cè)者沒有患病風(fēng)險(xiǎn)哥攘，無需進(jìn)一步檢查剖煌。
- 在安全防護(hù)領(lǐng)域，比如指紋解鎖功能逝淹，我們會(huì)更關(guān)注「假陽性率（False Postive Rate）」末捣，對(duì)于多少不是本機(jī)主人指紋的打開嘗試，我們預(yù)測(cè)錯(cuò)誤的比例是多少创橄？備注：陽性定義是——指紋是本機(jī)主人的箩做。
changelog
19.06.07 init
19.07.11 publish
