Технологии интеллектуального анализа данных : учебное пособие

294  TN (True Negatives) – верно классифицированные отрицательные примеры (ис- тинно отрицательные слу- чаи);  FN (False Negatives) – положительные примеры, классифи- цированные как отрицательные (ошибка I рода). Это так называемый «ложный пропуск», когда интересующее событие ошибочно не об- наруживается (ложно отрицательные примеры);  FP (False Positives) – отрицательные примеры, классифици- рованные как положительные (ошибка II рода). Это ложное обна- ружение, так как при отсутствии события ошибочно выносится ре- шение о его присутствии (ложно положительные случаи). Что является положительным событием, а что отрицатель- ным, зависит от конкретной задачи. Например, если решается зада- ча прогнозирования вероятности наличия заболевания, то положи- тельным исходом будет класс «Больной пациент», а отрицатель- ным – «Здоровый пациент». И наоборот, если определяется вероят- ность того, что человек здоров, то положительным исходом будет класс «Здоровый пациент» и т.д. При анализе чаще оперируют не абсолютными показателями, а относительными – долями (rates), выраженными в процентах:  доля истинно положительных примеров {True Positives Rate): TP TPR 100 % TP FN    ;  доля ложно положительных примеров (False Positives Rate): FP FPR 100 % TN FP    . Рис. 4.27. Таблица сопряженности