В чем разница между TPR и FPR

TPR (True Positive Rate) и FPR (False Positive Rate) — метрики для оценки бинарных классификаторов.

• TPR (Recall/Sensitivity) = TP / (TP + FN) — доля правильно предсказанных положительных классов среди всех реальных положительных.
• FPR = FP / (FP + TN) — доля ложных срабатываний (негативные классы, ошибочно предсказанные как позитивные).

Пример:

from sklearn.metrics import confusion_matrix

y_true = [1, 0, 1, 1, 0]
y_pred = [1, 1, 1, 0, 0]
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
tpr = tp / (tp + fn)  # 2 / (2 + 1) ≈ 0.67
fpr = fp / (fp + tn)  # 1 / (1 + 1) = 0.5

Вывод:

• Высокий TPR — модель хорошо ловит позитивные случаи.
• Низкий FPR — модель редко ошибается на негативных.
  Идеальный классификатор: TPR = 1, FPR = 0.