TN TP FN FP 含义（评判机器学习模型好坏的标准）

		预测
		P	N
实际	P	TP	FN
	N	FP	TN

 

结合着上图来看下面的解释：

首先这几个术语会高频率得出现在论文的实验部分，它是对实验结果的描述，首先我想先解释这几个缩写的含义：

• FN：False Negative,被判定为负样本，但事实上是正样本。
• FP：False Positive,被判定为正样本，但事实上是负样本。
• TN：True Negative,被判定为负样本，事实上也是负样本。
• TP：True Positive,被判定为正样本，事实上也是证样本。

这里的正样本和负样本与检索的关系就是：

　　你认为为正样本的应该都出现在检索结果中，而你认为为负样本的应该不出现在检索结果中，但是你认为的和事实上的会有不一样。

这里的四个缩写曾经一度让我很难记住，经过细想，发现这样比较好记忆：

　　把缩写分为两个部分，第一个字母（F,T）和第二个字母（P,N）。

　　首先搞清楚第二个字母，即它是你认为该样本的归属应该是怎样（Positive or Negative）；

　　第一个字母即是对你的判断进行的评价（False or True）。

这里也许中文可能会有不好理解的地方，所以我想用英文来描述，可能更清晰：

　　第二个字母：What's your judgement about the sample?；

　　第一个字母：Is your judgement right(true) or not(false)?

precesion：查准率(精确率)，即在检索后返回的结果中，真正正确的个数占整个结果的比例。
recall：查全率(召回率)，即在检索结果中真正正确的个数 占整个数据集（检索到的和未检索到的）中真正正确个数的比例。

那么有：
　　precesion = TP/(TP+FP) 即，检索结果中，都是你认为应该为正的样本（第二个字母都是P），但是其中有你判断正确的和判断错误的（第一个字母有T ，F）。

　　recall = TP/(TP+FN) 即，检索结果中，你判断为正的样本也确实为正的，以及那些没在检索结果中被你判断为负但是事实上是正的（FN）。