人工智能与大数据技术导论
●FalseNegatives（FN）：被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数。
TrueNegatives（TN）：被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
这里只要记住True、False描述的是分类器是否判断正确，Positive、Negative是分类器的分类结果。为了帮助大家理解，我们使用“狼来了”这则故事。假定“狼来了”是正类(PositiveClass)，那么“狼没来”就是负类（NegativeClass）。小男孩是一个牧童，狼来到镇上，如果他正确地指出来，就是真正例。他看到了狼并说“狼来了”。真正例对应的结果是小镇的羊得救，这很好。假正例则是小男孩说“狼来了”，但其实并没有狼。这就是假正例，这会令所有人非常恼火。假负例的后果可能更严重。假负例对应的情形是，狼来了而小男孩睡着了或没看到，狼进入镇子并吃掉了所有的羊。这可真的太惨了。真负例对应的情形是小男孩没喊“狼来了”，狼也确实没出现，一切安好。以上可以总结为如图9-14所示的4种情况。
我们可以将这些预期情况组合成几个不同的指标。准确率（Accuracy）是我们最常见的评价指标，Accuracy=（TP+TN）/所有样本数，这个很容易理解，就是被分对的样本数除以所有的样本数。通常来说，准确率越高，分类器越好。所有样本数=TP+FP+FN+TN。下面试着计算一下图9-15中模型的准确率，该模型将100个肿瘤分为恶性（正类别）或良性（负类别）。
$$
\mathrm { A c c u r a c y } = { \frac { T P + T N } { T P + T N + F P + F N } } = { \frac { 1 + 9 0 } { 1 + 9 0 + 1 + 8 } } = 0 . 9 1
$$
280