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 = TP /（TP + FN）
正样本预测结果数 / 正样本实际数
True Negative Rate（真负率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
负样本预测结果数 / 负样本实际数
False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）
被预测为正的负样本结果数 /负样本实际数
False Negative Rate（假负率 , FNR）
FNR = FN /（TP + FN）
被预测为负的正样本结果数 / 正样本实际数
召回率和精度：
－ 系统检索到的相关文档（Ａ）
－ 系统检索到的不相关文档（Ｂ）
－ 相关但是系统没有检索到的文档（Ｃ）
－ 不相关但是被系统检索到的文档（Ｄ）
直观的说，一个好的检索系统检索到的相关文档越多越好，不相关文档越少越好．
召回率和精度是衡量信息检索系统性能最重要的参数．
召回率Ｒ：用检索到相关文档数作为分子，所有相关文档总数作为分母，即 R=A/(A+C)
精度Ｐ： 用检索到相关文档数作为分子，所有检索到的文档总数作为分母．即 P=A/(A+B).
|
检索到 |
A |
B |
|
未检索到 |
C |
D |
相关 不相关