在评估二元分类器性能时，TP、FP、TN和FN是四个核心指标，它们分别代表真阳性、假阳性、真阴性和假阴性。以下是这些指标的定义、计算方法以及在实际应用中的意义：

定义

• TP（真阳性）：模型正确预测为正类且实际为正类的样本数量。
• FP（假阳性）：模型错误预测为正类但实际为负类的样本数量。
• TN（真阴性）：模型正确预测为负类且实际为负类的样本数量。
• FN（假阴性）：模型错误预测为负类但实际为正类的样本数量。

计算方法

• 准确率（Accuracy）：Accuracy = (TP + TN) / (TP + FP + FN + TN)
• 精确率（Precision）：Precision = TP / (TP + FP)
• 召回率（Recall）：Recall = TP / (TP + FN)
• F1分数：F1 Score = 2 * Precision * Recall / (Precision + Recall)

实际应用中的意义

• TP：衡量模型正确识别正例的能力。
• FP：衡量模型产生误报的情况，即错误地将负例预测为正例。
• TN：衡量模型正确识别负例的能力。
• FN：衡量模型漏报正例的情况，即错误地将正例预测为负例。2

评估指标的选择

• 准确率：适用于类别分布均衡的场景，但在类别不平衡时可能会给出误导性的结果。
• 精确率：适用于关注假阳性成本较高的场景，如垃圾邮件检测。
• 召回率：适用于关注假阴性成本较高的场景，如疾病筛查。
• F1分数：适用于类别不平衡的场景，因为它综合考虑了精确率和召回率。2

实际应用案例

• 垃圾短信分类器：精确率衡量被分类为垃圾短信的信息实际上为垃圾短信的比例，召回率衡量垃圾信息被正确分类的比例。8

通过上述分析，我们可以看到TP、FP、TN和FN在评估二元分类器性能时的重要性，以及如何选择合适的评估指标来反映模型在不同应用场景下的表现。