1700499827
❑True Positive（TP）：指模型预测为正（1）的，并且实际上也的确是正（1）的观察对象的数量。
1700499828
1700499829
❑True Negative（TN）：指模型预测为负（0）的，并且实际上也的确是负（0）的观察对象的数量。
1700499830
1700499831
❑False Positive（FP）：指模型预测为正（1）的，但是实际上是负（0）的观察对象的数量。
1700499832
1700499833
❑False Negative（FN）：指模型预测为负（0）的，但是实际上是正（1）的观察对象的数量。
1700499834
1700499835
上述4个基本定义可以用一个表格形式简单地体现，如表7-1所示。
1700499836
1700499837
1700499838
1700499839
1700499840
基于上面的4个基本定义，可以延伸出下列评价指标：
1700499841
1700499842
❑Accuracy（正确率）：模型总体的正确率，是指模型能正确预测、识别1和0的对象数量与预测对象总数的比值，公式如下：
1700499843
1700499844
1700499845
1700499846
1700499847
❑Error rate（错误率）：模型总体的错误率，是指模型错误预测、错误识别1和0观察对象的数量与预测对象总数的比值，也即1减去正确率的差，公式如下：
1700499848
1700499849
1700499850
1700499851
1700499852
❑Sensitivity（灵敏性）：又叫击中率或真正率，模型正确识别为正（1）的对象占全部观察对象中实际为正（1）的对象数量的比值，公式如下：
1700499853
1700499854
1700499855
1700499856
1700499857
❑Specificity（特效性）：又叫真负率，模型正确识别为负（0）的对象占全部观察对象中实际为负（0）的对象数量的比值，公式如下：
1700499858
1700499859
1700499860
1700499861
1700499862
❑Precision（精度）：模型的精度是指模型正确识别为正（1）的对象占模型识别为正（1）的观察对象总数的比值，公式如下：
1700499863
1700499864
1700499865
1700499866
1700499867
❑False Positive Rate（错正率）：又叫假正率，模型错误地识别为正（1）的对象数量占实际为负（0）的对象数量的比值，即1减去真负率Specificity,公式如下：
1700499868
1700499869
1700499870
1700499871
1700499872
❑Negative Predictive Value（负元正确率）：模型正确识别为负（0）的对象数量占模型识别为负（0）的观察对象总数的比值，公式如下：
1700499873
1700499874
1700499875
1700499876