TP、FP、FN是评价分类模型性能的常用指标。

之前很多次都会遇到这三个值，每次遇到都要重新查资料，看这三个值是怎么计算的，具体是指什么的？今天终于理解透彻了，所以赶紧来记录一下~~~

TP（True Positive，真正例）：表示模型正确地将正例预测为正例的数量；

FP（False Positive，假正例）：表示模型错误地将负例预测为正例的数量；

FN（False Negative，假负例）：表示模型错误地将正例预测为负例的数量。

这样地概念给大家一看，是不是有很多疑惑？下面我们来用大白话来说明一下这三个指标。

首先，我们要关注“正确地”和“错误地”这两个形容词，分别表示看gold和pred二者一致的值或者不一致的值

接着，我们来说明一下，什么是正例？什么是负例？嗯，我相信一个例子可用帮助大家更好地理解这个问题，如下所示，gold是真实结果，而pred是预测结果。

gold = ['我', '爱', '中', '国'] 
pred = ['我', '爱', '中国']

其中，正例有“我”、“爱”、“中”、“国”；负例有“中国”。

这个时候，我们是不是脑子清晰了一点？其实，正例是真实结果中包含的所有情况，预测结果中也有部分正例，而负例只能出现在预测结果中，但并不是所有的预测结果都是负例。

通俗来说，就是正例既可以出现在真实结果中，也可以出现在预测结果中，但是负例只会出现在预测结果中。当我们理解了这一点，那么TP、FP、FN三者的值就很好计算了。

当我们看到正例，就从真实结果到预测结果来看；当我们看到负例，就从预测结果到真实结果来看。

TP—正确地将正例预测为正例的数量，正确地，是让我们看gold和pred一致的情况，正例预测为正例，是让我们将gold与pred进行对比，也就是统计gold与pred一致的数量。

FP—错误地将负例预测为正例的数量，错误地，是让我们看gold和pred不一致的情况，负例预测为正例，是让我们将pred与gold进行对比，也就是统计pred与gold不一致的数量。

FN—错误地将正例预测为负例的数量，错误地，是让我们看gold和pred不一致的情况，正例预测为负例，是让我们将gold与pred进行对比，也就是统计gold与pred不一致的数量。

在上边的例子中，TP=2，FP=1，FN=2。

哈哈哈 看到这，是不是脑子清醒多了呢？那我们一鼓作气，再来看一下准确率（Precision，P）、召回率（Recall，R）、F1值（F1-score，F1）！！

准确率P和召回率R分别衡量了结果的正确性和完整性，F1-Score则综合了两者的评价。

代码示例：

# 定义评价函数
def evaluate(gold, pred):
    # 计算准确率
    tp = 0
    fp = 0
    for i in range(len(pred)):
        if i < len(gold) and pred[i] == gold[i]:
            tp += 1
        else:
            fp += 1
    precision = tp / (tp + fp)

    print("tp: ", tp)
    print("fp: ", fp)

    # 计算召回率
    tp = 0
    fn = 0
    for i in range(len(gold)):
        if i < len(pred) and gold[i] == pred[i]:
            tp += 1
        else:
            fn += 1
    recall = tp / (tp + fn)

    print("tp: ", tp)
    print("fn: ", fn)

    # 计算F1-Score
    f1 = 2 * precision * recall / (precision + recall)

    return precision, recall, f1

# 测试评价函数
gold = ['0', '1', '2', '1', '0', '1', '3', '4', '6', '1']
pred = ['0', '2', '2', '1', '1', '1', '3', '4', '6', '1', '1']
precision, recall, f1 = evaluate(gold, pred)
print('P：', precision)
print('R：', recall)
print('F1-Score：', f1)

运行结果：