Какво са TPR и FPR? Как са свързани с прецизността и recall?

TPR (Истинна положителна ставка) и FPR (Лъжлива положителна ставка) са метрики, използвани за оценка на качеството на бинарната класификация.

• TPR (чувствителност, recall) — делът на правилно предсказаните положителни случаи спрямо всички реални положителни:

  [ TPR = \frac{TP}{TP + FN} ]

• FPR — делът на грешно предсказаните положителни случаи спрямо всички реални отрицателни:

  [ FPR = \frac{FP}{FP + TN} ]

Тук TP са истинските положителни, FP са фалшивите положителни, FN са фалшивите отрицателни, TN са истинските отрицателни.

Прецизност — делът на правилно предсказаните положителни случаи спрямо всички предсказани като положителни:

[ Прецизност = \frac{TP}{TP + FP} ]

Връзката между тях:

• Recall и TPR са синоними.
• Прецизност и recall помагат да се разбере балансът между пълнотата и точността на класификацията.

Пример: Ако моделът често грешно класифицира отрицателни обекти като положителни (висок FPR), прецизността намалява, тъй като има много FP. Ако моделът пропуска много положителни (нисък TPR/recall), пълнотата страда.