本文链接： https://blog.csdn.net/mozart_cai/article/details/79113071

False Positive : False(检测模型不能成功地) Positive (判定出结果是Positive的)

False Negative : False(检测模型不能成功地) Negative (判定出结果是Negative的)

True Positive : True(检测模型成功地) Positive (判定出结果是Positive的)

True Negative : True(检测模型成功地) Negative (判定出结果是Negative的)

具体例子:

病者癌症为良性，检测结果为恶性，则为False Positive，假阳性
病者癌症为良性，检测结果为良性，则为True Positive，真阳性
病者癌症为恶性，检测结果为恶性，则为True Negative，真阴性
病者癌症为恶性，检测结果为良性，则为False Negative，假阴性

转载

true-positive，false-positive，true-negative，false-negative差别

2014-09-03 23:43:57 cnbird2008 阅读数 18487

考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false
negative）。

列联表如下表所示，1代表正类，0代表负类。

		预测
		1	0	合计
实际	1	True Positive（TP）	False Negative（FN）	Actual Positive(TP+FN)
	0	False Positive（FP)	True Negative(TN)	Actual Negative(FP+TN)
合计		Predicted Positive(TP+FP)	Predicted Negative(FN+TN)	TP+FP+FN+TN

从列联表引入两个新名词。

其一是真正类率(true positive rate ,TPR), 计算公式为 TPR=TP/ ( TP+ FN)，刻画的是分类器所识别出的正实例占所有正实例的比例。

另外一个是负正类率(false positive rate, FPR),计算公式为 FPR= FP / (FP + TN)，计算的是分类器错认为负类的正实例占所有负实例的比例。

还有一个真负类率（True Negative Rate，TNR），也称为specificity,计算公式为TNR= TN/ ( FP+ TN) = 1 - FPR。

原文链接：https://blog.csdn.net/flying_ant2018/article/details/102621862