一、简介
本文介绍了机器学习中对于模型精度的描述，包括 True Positive, True Negative, False Positive 和 False Negative。
二、什么是True/False + Positive/Negative
假设我们有一个预测模型，该模型的预测结果 可能为 Positive 也可能为 Negative ，而真实的结果 也可能存在 Positive 和 Negative 两种情况，根据模型预测结果 与真实结果两两搭配即可得到以下表格：
| 预测结果 \ 真实结果 | Positive | Negative |
|---|---|---|
| Positive | True Positive | False Positive |
| Negative | False Negative | True Negative |
总结来讲：
- True Positive: 模型预测为 Positive 并且真实情况也为 Positive；
- False Positive: 模型预测为 Positive 但是真实情况为 Negative；
- False Negative: 模型预测为 Negative 但是真实情况为 Positive；
- True Negative: 模型预测为 Negative 并且真实情况也为 Negative；
因此：True/False + Positive/Negative中的True/False是用来描述 预测结果跟真实结果是否相同的，后面的Positive/Negative是模型的预测结果。
三、参考
1\].[Machine Learning Accuracy: True-False Positive/Negative \[2024\]](https://research.aimultiple.com/machine-learning-accuracy/)