True(False) Positives (Negatives) 的理解记忆
作者：互联网
一、True(False) Positives (Negatives) 的理解
Positives：observation 为 正样本；
Negatives：observation 为 负样本；
True：事实 与 observation 相符；
False：事实 与 observation 不符；
归根结底是我们如何定义 正样本（Positives），一定要结合具体的实际。一般来讲，模型要做的事情就是正样本。
二、举例
现在我们有一个静态分析器，和一堆程序。静态分析器旨在检测出有bug的程序。能够检测出有bug的程序是静态分析器的成就。
所以在静态分析器这个问题中，有bug的程序是正样本，没有bug的程序是负样本。
好，请听题：
-
一个深度静态分析器不会产生false negatives，什么意思？
该静态分析器没有报警的程序一定是没有bug的程序。言外之意，报警了的程序也有可能是没有bug的。“宁可错杀一千，不会放过一个，所有有bug的程序肯定都被我检测出来了。我没有报警的肯定是一点bug都没有的程序”这样的分析器称为sound analysis tool,（深度分析工具），深挖，坚决不放过任何一个有bug的程序。
-
一个静态分析器不会产生false positives, 什么意思？
该分析器报警的程序一定是有bug的程序。言外之意，该分析器没有报警的程序可能有bug。“宁可放过一个，不要错杀一个，所有我报警的程序肯定是有bug的，我从来不会冤枉好人”这样的分析器称之为complete analysis tool(广度分析工具，照顾到最广大人民的根本利益，一定不会对人才下手。）
三、相关指标的定义
True Positive （真正, TP）被模型预测为正的正样本；
True Negative（真负 , TN）被模型预测为负的负样本 ；
False Positive （假正, FP）被模型预测为正的负样本；
False Negative（假负 , FN）被模型预测为负的正样本；
True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）
TPR = TP /（TP + FN）
正样本预测结果数 / 正样本实际数
True Negative Rate（真负率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
负样本预测结果数 / 负样本实际数
False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）
被预测为正的负样本结果数 /负样本实际数
False Negative Rate（假负率 , FNR）
FNR = FN /（TP + FN）
被预测为负的正样本结果数 / 正样本实际数
召回率和精度：
－ 系统检索到的相关文档（Ａ）
－ 系统检索到的不相关文档（Ｂ）
－ 相关但是系统没有检索到的文档（Ｃ）
－ 不相关但是被系统检索到的文档（Ｄ）
直观的说，一个好的检索系统检索到的相关文档越多越好，不相关文档越少越好．
召回率和精度是衡量信息检索系统性能最重要的参数．
召回率Ｒ：用检索到相关文档数作为分子，所有相关文档总数作为分母，即 R=A/(A+C)
精度Ｐ： 用检索到相关文档数作为分子，所有检索到的文档总数作为分母．即 P=A/(A+B).
转载自：
标签：False,样本,程序,分析器,文档,Negatives,Positives,bug 来源： https://blog.csdn.net/u013766416/article/details/110684646