机器学习入门教学——真阳性、假阳性、真阴性、假阴性

1. 真阳性（True Positive, TP）

• 定义：实际为阳性，预测也为阳性。

• 例子：一个人确实患病（实际阳性），检测结果也显示患病（预测阳性）。

2. 假阳性（False Positive, FP）

• 定义：实际为阴性，预测为阳性。

• 例子：一个人没有患病（实际阴性），但检测结果误判为患病（预测阳性）。

• 也称为：“误报”或“假警报”。

3. 真阴性（True Negative, TN）

• 定义：实际为阴性，预测也为阴性。

• 例子：一个人没有患病（实际阴性），检测结果也正确地判断为未患病（预测阴性）。

4. 假阴性（False Negative, FN）

• 定义：实际为阳性，预测为阴性。

• 例子：一个人确实患病（实际阳性），但检测结果错误地判断为未患病（预测阴性）。

• 也称为：“漏报”或“漏诊”。