一張圖深入的了解FP/FN/Precision/Recall

由于圖檔較大，建議右鍵打開新的視窗以便于閱讀！

• FP(False Positive)表示錯誤的正例即錯誤的将樣本中的負例識别為正例，如右圖3、4行紅色正方形所示；
• FN(False Negative)表示錯誤的負例即錯誤的将樣本中的正例識别為負例，如右圖1、2行紅色三角形所示；

• Precision面向的是檢測後的比例，在模型檢測後(右圖)，檢測到的所有正例結果包括正确的正例和錯誤的正例，相對于原始樣本來說， 無論是正确的正例還是錯誤的正例，其檢測結果均為正例，故檢測結果中，正例的總數為(TP+FP)， 那麼在這些正例中，有多少是正确的正例呢？答案就是TP/(TP+FP)；FP越小，則Precision越大，而FP即為誤報為正例數量； 是以，Precision反映的是樣本中正例誤報的情況。
• Recall面向的是檢測前的比例，在原始樣本中(左圖)，所有的正例被模型真正檢測出來的有多少？TP即為檢測出來的正例個數， 那麼原始樣本中所有的正例個數是多少呢？答案是檢測出來的正例個數加上未檢測出來的正例個數； 而未檢測出來的正例個數就是原本是正例然而被模型檢測為負例，如右圖1、2行的紅色三角所示，即為錯誤的負例(FP)； 故Recall=TP/(TP+FN)；FN越小，則Recall越大，而FN即為漏檢為正例的數量；是以Recall反映的是樣本中正例漏檢的情況。