Wat zijn TPR en FPR? Hoe zijn ze gerelateerd aan precisie en recall?

TPR (True Positieve Rate) en FPR (False Positieve Rate) zijn metrics die worden gebruikt om de kwaliteit van binaire classificatie te beoordelen.

• TPR (gevoeligheid, recall) — het aandeel correct voorspelde positieve gevallen ten opzichte van alle werkelijke positieve gevallen:

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

• FPR — het aandeel foutief voorspelde positieve gevallen ten opzichte van alle werkelijke negatieve gevallen:

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

Hier zijn TP ware positieven, FP valse positieven, FN valse negatieven, TN ware negatieven.

Precisie — het aandeel correct voorspelde positieve gevallen ten opzichte van alle voorspelde positieve gevallen:

[ Precisie = \frac{TP}{TP + FP} ]

Relatie tussen hen:

• Recall en TPR zijn synoniemen.
• Precisie en recall helpen de balans tussen volledigheid en nauwkeurigheid van de classificatie te begrijpen.

Voorbeeld: Als het model vaak negatieve objecten ten onrechte als positief classificeert (hoge FPR), daalt de precisie omdat er veel FP zijn. Als het model veel positieve gevallen mist (lage TPR/recall), lijdt de volledigheid.

---