為了告訴機(jī)器學(xué)習(xí)算法（或研究人員）模型2優(yōu)于模型1，我們需要更好的指標(biāo)，而不僅僅是計(jì)算錯誤的數(shù)量。

我們介紹了真陽性，真陰性，假陽性和假陰性的概念：

真陽性（TP rate） - 一個積極的例子，被 正確歸類為陽性

真陰性（TN rate） - 一個陰性的例子，被 正確分類為 陰性

誤報(bào)（FP rate） - 一個否定的例子， 但被錯誤地歸類為正面

假陰性（FN rate） - 一個積極但被錯誤歸類為消極的例子

基于此以上。我們還將得到以下真實(shí)陽性率，真實(shí)陰性率，假陽性率，假陰性率：

使用這些新指標(biāo)，讓我們將其與計(jì)算上述示例所犯錯誤數(shù)量的傳統(tǒng)指標(biāo)進(jìn)行比較。首先，我們將使用舊指標(biāo)來計(jì)算出錯的次數(shù)（錯誤）：

如上所示，模型1看起來比模型2（1.0％誤差）具有更低的誤差（0.1％誤差），但我們知道模型2是更好的，因?yàn)樗a(chǎn)生更少的假陰性（FN）（最大化真陽性（ TP））?，F(xiàn)在讓我們看看模型1和模型2的性能與新指標(biāo)的相似之處：

現(xiàn)在，我們可以看到模型1的假陰性率為70％，而模型2的假陰性率僅為20％，這顯然是更好的分類器。這就是我們應(yīng)該教育機(jī)器學(xué)習(xí)算法（或我們）使用它以便允許它選擇更好的算法。