下列对混淆矩阵说法正确的是（）。
A: TP：将正样本识别为正样本的数目（概率）
B: FP：将负样本识别为正样本的数目（概率）
C: FN：将正样本识别为负样本的数目（概率）
D: TN：将负样本识别为正样本的数目（概率）
A: TP：将正样本识别为正样本的数目（概率）
B: FP：将负样本识别为正样本的数目（概率）
C: FN：将正样本识别为负样本的数目（概率）
D: TN：将负样本识别为正样本的数目（概率）
举一反三
- 混淆矩阵中FN（False Negative）的含义是？ A: 将负样本识别为负样本的数量（或概率） B: 将正样本识别为负样本的数量（或概率） C: 将负样本识别为正样本的数量（或概率） D: 将正样本识别为正样本的数量（或概率）
- 把原来的正类预测成正类（TP），把原来的正类预测为负类（FN），把负类预测为正类（FP），将负类预测为负类（TN）,召回率定义：R=TP/（TP+FN），如果有60个正样本，40个负样本，算法预测有50个正样本，其中只有40个是真正的正样本，则R=（） A: 4/5 B: 1/3 C: 1/2 D: 2/3
- 【单选题】混淆矩阵中假负是指() A. 模型预测为正的正样本 B. 模型预测为负的正样本 C. 模型预测为正的负样本 D. 模型预测为负的负样本
- 在分类问题中,我们经常会遇到正负样本数据量不等的情况，比如正样本为10万条数据，负样本只有1万条数据，以下合适的处理方法是 （ ） A: 从10万正样本中随机抽取1万参与分类 B: 将负样本重复10次,生成10万样本量,打乱顺序参与分类 C: 直接进行分类，可以最大限度利用数据 D: 将负样本每个权重设置为10，正样本权重为1，参与训练过程
- 在分类问题中，我们经常会遇到正负样本数据量不等的情况，比如正样本为10w条数据，负样本只有1w条数据，以下最合适的处理方法是（）？ A: 将负样本重复10次，生成10w样本量，打乱顺序参与分类 B: 直接进行分类，可以最大限度利用数据 C: 从10w正样本中随机抽取1w参与分类 D: 将负样本每个权重设置为10，正样本权重为1，参与训练过程