一张图理解什么是TP、FN、FP、TN

zsh_edison

已于 2023-07-31 23:43:52 修改

阅读量4.5w

点赞数 63

CC 4.0 BY-SA版权

分类专栏：原创文章标签：机器学习人工智能

于 2019-05-23 18:35:49 首次发布

本文链接：https://blog.csdn.net/zsh_edison/article/details/90485803

原创专栏收录该内容

7 篇文章

订阅专栏

博客介绍了机器学习中精确率、召回率、准确率和 F1 Score 的计算公式，并通过具体例子进行说明。总样本中实际 P 有 80、N 有 20，预测结果 P 为 90、N 为 10，据此算出精确率 80%、召回率 90%、准确率 74%。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

		预测
		P	N
实际	P	TP	FN
实际	N	FP	TN

精确率：precision = TP / (TP + FP)

召回率：recall = TP / (TP + FN)

准确率：accuracy = (TP + TN) / (TP+ FP + TN + FN)

F1 Score = 2（PR）/ (P+R)，其中P和R分别为 precision 和recall。

举例

总样本（实际）： P 80, N 20

检测（预测）结果：P 90，其中 72 TP，18 FP(=N)； N 10，其中 TN 2，FN(=P) 8

列表如下：

		预测
		P 90	N 10
实际	P 80	TP=72	FN=8
实际	N 20	FP=18	TN=2

精确率：precision = TP / (TP + FP) = 72 / (72 + 18) = 80%

召回率：recall = TP / (TP + FN) = 72 / (72 + 8) = 90%

准确率：accuracy = (TP + TN) / (TP+ FP + TN + FN) = 74 / 100 = 74%

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

zsh_edison

关注关注

63
点赞
踩
44

收藏

觉得还不错? 一键收藏
6
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

TP TN FP FN目标检测评估指标

苏打水的杯子的博客

05-18

1091

1. TP TN FP FN GroundTruth预测结果 TP（True Positives）：真的正样本=【正样本被正确分为正样本】 TN（True Negatives）：真的负样本= 【负样本被正确分为负样本】 FP（False Positives）：假的正样本= 【负样本被错误分为正样本...

TP、FN、FP、TN、准确率、召回率、F1

羊老羊

09-07

2720

助记：TP、FN、FP、TN 主讲：精确率召回率

6 条评论您还未登录，请先登录后发表或查看评论

一张图理解什么是TP、TN、FP、FN

Roaddd的博客

02-20

3069

怎么理解TP,FP,FN，Precision,Recall

最新发布

zhaoyqcsdn的博客

06-14

1025

指标关注点优化方向应用倾向Precision检测结果的可靠性减少误检（FP ↓）避免误判的系统Recall目标的覆盖率减少漏检（FN ↓）避免遗漏目标的系统F1 Score综合性能平衡 Precision 和 Recall需要兼顾两者的场景简单记忆Precision→ “模型检测结果有多准？Recall→ “模型能找到多少真目标？TP/FP/FN是构建这两个指标的基石。

一文详解人工智能分类方面的KPI评价标准：混淆矩阵、TP、FP、FN、TN、P-R曲线图、ROC曲线图

17岁boy的博客

12-30

6468

目录样本概念混淆矩阵理论知识概念 TP、FP、FN、TN介绍概念 TP FP FN TN 备注关系解释 Key Performance Indicator Precision 标准介绍概念介绍样本概念介绍公式实际计算 Recall 标准介绍概念介绍样本概念介绍公式实际计算 F1 Score 标准介绍公式实际计算 Recall 标准介绍概念介绍样本概念介绍公式实际计算 F1 Score 标准介绍公

TP　TN　FP　FN含义

weixin_44196792的博客

07-08

2002

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...

通俗理解TP、FP、TN、FN

GXQ的博客

11-27

2020

Recall表征的是预测正确的正样本的覆盖率，查全率等于预测正确的正样本数量/所有正样本的总和，TP+FN实际就是Ground Truth的数量。Precision表征的是预测正确的正样本的准确度，查准率等于预测正确的正样本数量/所有预测为正样本数量。TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。FP+TN：真实负样本的总和，负样本被误识别为正样本数量+正确分类的负样本数量。TP+TN：正确分类的样本总和，正确分类的正样本数量+正确分类的负样本数量。

“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”

halo的博客

11-06

1万+

通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。

FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍

qq_64431512的博客

05-30

8781

FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍

图像分割质量得分：让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，骰子，Jaccard-matlab开发

05-28

TP、TN、FP、FN超级详细解析

热门推荐

奋斗の博客

11-21

10万+

以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本二、通俗理解（以西瓜数据集为例）以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是

论文中的FN FP TN TP

JANESTAR的专栏

10-29

6564

【转】FN,FP, TN, TP等转自http://hi.baidu.com/penghouwen/item/5615d9ac379254a229ce9db5 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： precesion：查准率，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，即在检索结

一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN

fengmaomao1991的专栏

01-28

9581

其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence

TP TN FP FN(豆包解答，通俗易懂)

2401_84049789的博客

08-07

521

比如说，在一个检测车辆的任务中，如果模型把一辆真实存在的车正确检测出来了，这就是一个 TP；这些概念在评估目标检测模型的性能时非常重要，基于它们可以计算出各种评估指标，如准确率、召回率、F1 值等，以全面衡量模型的检测效果。：指被错误地检测为正例的负例样本数量，也就是误报。举例来说，模型把一个本不存在目标物体的区域错误地判断为存在目标物体。：指被错误地检测为负例的正例样本数量，也就是漏报。例如，模型没有检测出一个实际上存在的目标物体。例如，模型正确检测出了一个确实存在的目标物体。

TP、TN、FP、FN

平平淡淡，戒急用忍，一生学闭嘴。

10-09

1835

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 = T...

TP TN FN FP

桃子小迷妹

06-24

410

TP（True Positive）：实际是正例，预测为正例 TN（True Negative）：实际是正例，预测为负例 FP（False Negative）：实际是负例，预测为正例 FN（False Positive）：：实际是负例，预测为负例

一文记住什么是TP/TN/FP/FN？

Joy T的博客

10-25

9464

这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。

TP FP TN FN

lwq1026的博客

11-02

1311

转自：作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。一

TP、FN、TN、TP详解

我有明珠一颗的博客

03-31

8205

每次遇到TP、FN、TN、TP都晕头，这一次好好认认真真总结下，大家可以收藏下，随时查看 P、N 代表检测到的样本状态，T、F代表检测是否有误，以FP为例，FP表示样本被检测为正样本，但检测是错误，因此该样本实际是负样本，FP是指把负样本错检测成正样本了（这里简写为“实负测正”） 1、假阳率：False Positive Rate = 实负测正/ 实负 = FP/ (FP + TN) 2、假阴率：False Negative Rate = 实正测负/ 实正 = FN/ (TP+ FN) ...

TP/FP/TN/FN/分别是什么

05-26

### TP、FP、TN、FN 的定义和含义在机器学习领域，特别是分类问题中，评估模型性能的关键指标之一是对预测结果的分析。为了更好地理解这些术语及其意义，以下是它们的具体定义： #### True Positive (TP) True Positive 表示模型正确地将正类样本识别为正类的情况。换句话说，当某个实例实际上是正类时，模型也成功将其预测为正类[^2]。 #### False Positive (FP) False Positive 是指模型错误地将负类样本识别为正类的情形。这种情况通常被称为“误报”，因为模型报告了一个实际上并不存在的事件或条件[^4]。 #### True Negative (TN) True Negative 描述的是模型能够准确判断出某实例属于负类的能力。也就是说，在实际情况下的负类样本被模型正确地标记为负类[^3]。 #### False Negative (FN) False Negative 发生在模型未能发现实际存在的正类现象的时候，也就是把本应标记为正类的对象错判成了负类，这种失误可以称为漏检[^5]。通过以上四个基本概念，我们可以进一步构建其他重要的评价标准如精确度(Precision)，召回率(Recall)以及F1分数等来全面衡量一个分类器的表现如何有效地区分不同类别之间的界限。 ```python def calculate_metrics(tp, fp, tn, fn): precision = tp / (tp + fp) if (tp + fp) != 0 else 0 recall = tp / (tp + fn) if (tp + fn) != 0 else 0 accuracy = (tp + tn) / (tp + fp + tn + fn) if (tp + fp + tn + fn) != 0 else 0 return { 'Precision': precision, 'Recall': recall, 'Accuracy': accuracy } metrics = calculate_metrics(20, 10, 50, 10) print(metrics) ``` 此代码片段展示了基于给定数据计算 Precision（查准率），Recall（查全率）及 Accuracy（准确率）的方法。