深度学习评价指标

0 分类问题评价指标

基于分类器在测试数据集上的预测结果分为四种情况：真阳性（TP）表示成功地将实际应被归入阳性类别中的样本数量；假阴性（FN）则代表模型未能识别出的实际阳性样本数量；假阳性（FP）是模型误判出的实际阴性样本数量；真阴性（TN）则指模型正确识别出的实际阴性样本数量。

学习策略：包括将True赋值为True并赋予其数值+1；False被赋值为False并赋予数值-1。其中需要注意的是，在本策略中使用的T和N并不直接对应于真实类别中的正例与负例；同时将Positive标记为+1以表示预期结果属于正面类别；Negative标记则对应于负面结果，并被赋予数值-1。其中P与N分别代表预测结果中的正例与负例，并且在计算过程中都遵循这一基本逻辑框架。

根据下文所述的方法：
TP的具体计算结果是通过以下公式得出：
TP的具体数值体现为+2.3542；
FN的具体数值体现为+2.3542；
FP的具体数值体现为-2.3542；
TN的具体数值体现为-2.3542。
其中：
TP的具体数值计算结果是+2.3542（即对应于真实正样本的结果）
FN的具体数值计算结果是+2.3542（即对应于真实正样本的结果）
FP的具体数值计算结果是-2.3542（即对应于真实负样本的结果）
TN的具体数值计算结果是-2.3542（即对应于真实负样本的结果）。

因此：
TP+FN=实际