一类错误 二类错误

这个概念本来在我实际建模中很少用，但是别人提到了，为了方便沟通还是有必要了解一下。
一类错误就是把positive -> negative 、1 -> 0、bad -> good，








FN就是所谓的一类错误，把1预测成了0，FP就是二类错误，把0预测成了1。
一类错误率是 FN/(TP+FN)
二类错误率是FP/(FP+TN)
TN/(FP+TN)叫做specificity，ROC的横轴可以叫FPR，也可以叫1-specificity，也叫false alarm rate；ROC的纵轴就是TPR，也叫sensitivity，也叫hit rate。
如果说样本整体bad rate升高，也就是(FN+TP)/TOTAL增大，那么这个时候肯定FN肯定增大。FN+TP增大，不会是TP单独增大，FN和TP都会增加。也可以这样想，当样本整体bad rate升高的时候，模型比如cutoff是top 10%，这个时候这个top 10%的bad rate也会相应增大，所以FN必然增大。

假设检验中的一类错误和二类错误

原假设为真，拒绝原假设 是 一类错误

原假设为假，接受原假设 是 二类错误

这个和上面混淆矩阵中的概念其实是一致的

p-value的另外一种解释就是犯一类错误的概率