Hi，大家好，我是大林~
今天给大家看一篇以情感(文本)分类为例，详解TP, FP, TN,FN,precision,recall的概念，希望能帮到刚入门的小白，面试会被问。
公号：AI自然语言与知识图谱已经建立了学工大佬交流渠道，欢迎学工两路大佬光临讨教学习，关注后添加助手微信，备注NLP或者知识图谱，邀请进群
正文
我今天要非常认真的来写一些这六个概念，我们可以意识到，很多NLP任务的评价指标都涉及到了这些概念。前段时间我发表的论文用到的评价指标是宏平均和微平均，在这里，我不再介绍宏平均和微平均的具体概念，只要能理解了TP， FP，TN， FN，precision ,recall的概念，再看看宏平均和微平均的概念的差别，就会知道在论文中该如何向别人详细介绍 你的评价指标
在这里我们需要分开来看，保持耐心，跟着我的思路走哦......
我们要知道：
1、P(positive) 和 N(negative) 这两个字母是 模型的判断结果
2、 T(True) 和 F(False)这两个字母是来 评价模型判断结果是否正确
用一个情感分析的例子来剖析一下：情感分析的任务无非就是：给一句话，来判断这句话是积极还是消极， 也可看出，这是一个二分类问题。用标签0表示消极，用标签1表示积极。假设类1（积极）是正例（positive），那么类0（消极）就是负例。
联系上边情感分析的例子来理解：
P：是模型将一句话判断为正例，T：是模型将这句话判断为正例的这个结果是正确的。 所以 TP 就是模型判断这句话为正例的结果是正确的，就是模型判断对了。说明什么？说明原本就是正例，模型也判断为正例，这也叫真正例 。
同理类推：TN 就是模型将一句话判断为负例，这个结果是对的。就是模型判断对了。即，原本的数据就是负例，模型也判断为负例，这叫做真负例 。
FP 就是模型将一句话判断为正例，这个结果是错的，就是模型判断错了。即，原本的数据是负例，模型判断为正例了。这叫做假正例。
FN 就是模型将一句话判断为负例的结果是错误的。也是模型判断错了。即，原本的数据是正例，模型却判断为负例了。所以这叫做假负例。
Precision = TP / (TP + FP)
所以Precision的概念就是：真正例样本的数量占模型预测为正例的样本（被检索到的正例样本）的比例。
Recall = TP / (TP + FN)
所以Recall的概念就是：真正例样本的数量占原数据集中正例样本的数量。
要搞清楚对象 ，TP+FP是模型预测出来的正例样本（所以叫检索到，不管预测为正例样本这个结果对不对，反正结果是正例，能检索到。）；TP+FN是原来数据集中的正例样本。FN就是后面检索不到的正例样本，因为这句话放入模型中，被模型预测错了，预测为负例样本了，但实际上在数据集中原本是正例。当然属于检索不到的正例样本了。同时，我好像也解释了很多人不理解的检索 和未被检索 的概念。是有针对性的，模型预测出来的正例样本是能检索到的正例样本，原本为正例样本，但让模型预测为负例样本了，就叫做检索不到的正例样本。