Термины

Тут перечислены термины и сокращения используемые в описании визуализатора Качество бинарной классификации.

• Сondition positive (P) — фактическое количество положительных примеров.
• Сondition negative (N) — фактическое количество отрицательных примеров.
• True positive (TP) — количество верно классифицированных положительных примеров.
• True negative (TN) — количество верно классифицированных отрицательных примеров.
• False positive (FP) — количество неверно классифицированных положительных примеров. Является ошибкой I рода.
• False negative (FN) — количество неверно классифицированных отрицательных примеров. Является ошибкой II рода.
• True positive rate (TPR) — доля верно классифицированных положительных примеров от общего количества положительных примеров. TPR называется Чувствительностью классификации.
  $TPR=\frac{TP}{P}=\frac{TP}{TP+FN}=1-FNR$.
• True negative rate (TNR) — доля верно классифицированных отрицательных примеров от общего количества отрицательных примеров. TNR называется Специфичностью классификации.
  $TNR=\frac{TN}{N}=\frac{TN}{TN+FP}=1-FPR$.
• Positive predictive value (PPV) — доля верно классифицированных положительных примеров от общего числа примеров классифицированных как положительные. PPV называется Точностью положительного прогноза классификации.
  $PPV=\frac{TP}{TP+FP}$.
• Negative predictive value (NPV) — доля верно классифицированных отрицательных примеров от общего числа примеров классифицированных как отрицательные. PPV называется Точностью отрицательного прогноза классификации.
  $NPV=\frac{TN}{TN+FN}$.
• False negative rate (FNR) — доля неверно классифицированных отрицательных примеров от общего количества положительных примеров. Для FNR используют также обозначение 1 - Чувствительность.
  $FNR=\frac{FN}{P}=\frac{FN}{FN+TP}=1-TPR$.
• False positive rate (FPR) — доля неверно классифицированных положительных примеров от общего количества отрицательных примеров. Для FPR используют также обозначение 1 - Специфичность.
  $FPR=\frac{FP}{N}=\frac{FP}{FP+TN}=1-TNR$.
• Overall classification rate (OCR) — доля верно классифицированных примеров от общего количества примеров. OCR называется Общей точностью классификации.
  $OCR=\frac{TP+TN}{P+N}=\frac{TP+TN}{TP+TN+FP+FN}$.
• F₁ score — является средним гармоническим значением Точности и Чувствительности. Иное название метрики F-мера.
  $F_1=2\cdot \frac{PPV\cdot TPR}{PPV+TPR}=\frac{2TP}{2TP+FP+FN}$.
• Matthews correlation coefficient (MCC) — коэффициент корреляции Мэтьюса.
  $MCC=\frac{TP\cdot TN-FP\cdot FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$.
• Overall precision rate (OPR) — является средним арифметическим между Точностью положительного прогноза и Точностью отрицательного прогноза. OPR называется Усредненной точностью прогноза.
  $OPR=\frac{PPV+NPV}{2}$.