通俗易懂解释一类和二类错误(Type I Error Type II Error)
翻译自False Positive (Type I Error) and False Negative (Type II Error)
本文涵盖以下与“误报False Positive和漏报False Negative”及其在机器学习领域中的意义有关的主题：
- 解释
- 3个案例
- Python代码（Scikit-Learn）
- 我们如何衡量分类问题中的错误？
- 还想获得更多相关内容？：有关医学检验假阳性和假阴性的新闻
解释
▲I型错误（误报 False Positive）和II型错误（漏报 False Negative）
通过查看该图，您对I型和II型错误有了解了吗？让我们探索一下它。
这张图表示年龄（在X轴上，自变量）与已婚（在Y轴上，因变量）之间的关系。Y取决于X的值，即某人已婚（Y = 1或Yes）或未婚（Y = NO 获0）的决定取决于人的年龄。
误报 （False Postive），也称Type I Error
蓝色十字标记→红色十字标记（实际→预测）
就是那个25到30之间的一蓝一红的2个点
注意图中的十字标记符号，其中蓝色十字标记表示实际值，红色十字标记表示预测值。在25至30岁左右的年龄，一个名叫A先生的人实际上并未结婚。但是，预测说A先生已结婚，这是一个错误的预测（即False），并且预测值是Yes或1（即Positive）。因此，它被称为“误报False Postive”或“ I类错误”。
漏报（False Negative），也称Type II Error
蓝色圆圈标记→红色圆圈标记（实际→预测）即20-25之间的两个点
在此方案中，蓝色圆圈标记和红色圆圈标记分别表示实际值和预测值。实际上，一个名为B先生的人已婚，年龄约为20-25岁。但是，预测值表明B先生尚未结婚。因此，在这种情况下，预测也是错误的（即False），并且预测值为No或0（即Negative）。这被称为“漏报False Negative”或II型错误。
解释说明 Interpretation
误报-当预测错误且预测值是真时
漏报-当预测错误且预测值为假时
False Positive- when a prediction is wrong & predicted value is positive
False Negative- when a prediction is wrong & predicted value is Negative
混淆矩阵中的I型和II型错误表示：
▲混淆矩阵 Confusion Matrix
案例
第一个案例：火灾报警
▲类型I错误（误报）：当没有火警时，火警会响起[Sources：Gifer（火警）]
▲类型II错误（漏报） ：发生火灾时，火警警报无法响起 [Sources:Gifer(FireAlarm),tenor(Fire)]
第二个案例：男人怀孕
I型错误（误报）：医生说男人怀孕了…
II型错误（漏报）：医生说孕妇没有怀孕…
[来源：pinterest（医生），fotosearch（男人）和deviantart（女士）]
Python Code解释（用Sklearn）
# Assume we have a dataset which contains the information on pregnancy tests
# 0- Represents Lady is not pregnant 女士没怀孕
# 1- Represents Lady is pregnant 女士怀孕了
# y- Output/Target/Dependent Variable 因变量
# y_actual - In reality 真实值
# y_predicted - Predicted by Machine Learning algorithm 机器学习预测值
y_actual = [1,0,0,0,0,0,1,1,1,0]
y_predicted = [1,1,1,0,0,0,1,1,0,0]
from sklearn. metrics import confusion_ matrix
print(confusion_matrix(y_actual, y_predicted))
# 输出
# [[4 2]
# [1 3]]▲混淆矩阵Confusion Matrix
# False Positive and False Negative
FP=confusion_matrix(y_actual,y_predicted)[0][2]
FN=confusion_matrix(y_actual,y_predicted)[1][0]
print("False Positive (Type I Error) :",FP)
print("False Negative (Type II Error):",FN)
# Accuracy 准确度 = 1-（漏报的个数+误报的个数）/总数据个数
accuracy=100-((FP+FN)*100/len(y_predicted))
print(" Accuracy : ",accuracy,' %')
# 输出
# False Positive (Type I Error) : 2
# False Negative (Type II Error): 1
# Accuracy : 70.0 %▲误报和漏报 False Positive and False Negative
▲与混淆矩阵相关的结果
▲3个错误（2个误报 蓝色箭头+ 1个漏报 红色箭头）
如何衡量分类问题中的错误
I型错误（误报）和II型错误（漏报）可帮助我们确定模型的准确性，可以借助混淆矩阵来确定模型的准确性。
如果我们将类型I和类型II错误的值相加，则总错误=误报+漏报，精准程度=1-总错误数/总个数。
如果错误较小，则准确度会更高，反之亦然。更好的准确性，更好的性能，这正是我们想要的。。
我们来解释下在Python代码中获得的结果
误报数= 2，表示2位女士实际上并未怀孕，但模型预测表明他们已怀孕。
漏报数= 1，表示1位女士实际情况下怀孕，但根据预测她没有怀孕。
因此，由于孕妇怀孕且模型预测说她没有怀孕，这种情况更加危险。
因此，这里的Type II Error比Type I Error更危险。
我们可以得出结论，在10个预测中，我们的模型做出了3个错误预测（1个假阴性+ 2个假阳性）和7个正确预测（4个真阳性+3个真阴性）。
因此我们可以说模型的准确性为70％，误差为30％。
还想获得更多相关内容？：有关医学检验假阳性和假阴性的新闻
请点击查看 医学测试当中的预测价值
非常感谢您的阅读！