【机器学习|评价指标4】正预测值（PPV）、负预测值（NPV）、假阴性率（FNR）、假阳性率（FPR）详解，附代码。

【机器学习|评价指标4】正预测值（PPV）、负预测值（NPV）、假阴性率（FNR）、假阳性率（FPR）详解，附代码。

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/147776758

---

前言

• 真正例（True Positive, TP）：模型正确地将正类样本预测为正类。
• 假正例（False Positive, FP）：模型错误地将负类样本预测为正类。
• 真负例（True Negative, TN）：模型正确地将负类样本预测为负类。
• 假负例（False Negative, FN）：模型错误地将正类样本预测为负类。

正预测值（Positive Predictive Value, PPV）

定义

• 正预测值（PPV）表示被模型预测为正类的样本中，实际为正类的比例。

数学公式

其中：

• TP（True Positive）：真实为正类，预测也为正类的样本数。
• FP（False Positive）：真实为负类，预测为正类的样本数。

Python 示例

from sklearn.metrics import precision_score# 示例数据
y_true = [1, 0, 1, 1, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1, 1]# 计算正预测值（PPV）
ppv = precision_score(y_true, y_pred)
print(f"正预测值（PPV）: {ppv:.2f}")

负预测值（Negative Predictive Value, NPV）

定义

• 负预测值（NPV）表示被模型预测为负类的样本中，实际为负类的比例。

数学公式

其中：

• TN（True Negative）：真实为负类，预测也为负类的样本数。
• FN（False Negative）：真实为正类，预测为负类的样本数。

Python 示例

from sklearn.metrics import confusion_matrix# 示例数据
y_true = [0, 1, 0, 1, 0, 1, 0]
y_pred = [0, 0, 0, 1, 0, 1, 1]# 计算混淆矩阵
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()# 计算 NPV
npv = tn / (tn + fn)
print(f"NPV: {npv:.2f}")

假阴性率（False Negative Rate, FNR）

概念

• 假阴性率表示实际为正类的样本中被错误预测为负类的比例。

数学公式

Python 示例

from sklearn.metrics import confusion_matrix# 假设的真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1]# 计算混淆矩阵
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()# 计算假阴性率
fnr = fn / (tp + fn)
print(f"False Negative Rate: {fnr:.2f}")

假阳性率（False Positive Rate, FPR）

概念

• 假阳性率表示实际为负类的样本中被错误预测为正类的比例。

数学公式

Python 示例

from sklearn.metrics import confusion_matrix# 假设的真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1]# 计算混淆矩阵
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()# 计算假阳性率
fpr = fp / (fp + tn)
print(f"False Positive Rate: {fpr:.2f}")