19 下列指标组合中，不能用于系统性评价缺陷识别模型精度的指标为：

A 检出率和准确率 B 检出率和误报比 C 平均精确率 D 准确率和误报比

对于评价一个缺陷识别模型的精度，检出率、准确率、检出率和误报比等指标常被用来系统性地评估模型的效果。

在机器学习和统计学中，评估分类模型性能的常用指标包括准确率（Precision）、检出率（Recall）、误报比（False Positive Rate, FPR）等。这些指标可以组合使用，以全面评价模型的性能。然而，每个指标都有其特定的用途和局限性。

1. 准确率（Precision）：衡量的是模型预测为正类的样本中实际为正类的比例。它关注的是减少假正例（False Positives, FP）。
2. 检出率（Recall）：衡量的是所有实际为正类的样本中被模型正确预测为正类的比例。它关注的是减少假负例（False Negatives, FN）。
3. 误报比（False Positive Rate, FPR）：衡量的是所有实际为负类的样本中被错误预测为正类的比例。它与准确率互补，因为它们共同定义了模型在正类和负类上的预测性能。
4. 平均精确率（Average Precision, AP）：通常用于评估模型在不同阈值下的性能，特别是在目标检测任务中。

A 检出率和准确率

检出率 = TP/P ,
准确率 =
$$\frac{TP+TN}{P+N}$$
其中检出率衡量了模型对正类样本的识别能力。

B 检出率和误报比

检出率(召回率) = TP/P
误报比： $FPR=\frac{FP}{N}$，

检出率衡量了模型对正类样本的识别能力。
误报比衡量了模型对负类样本的识别能力。

C 平均精确率:是基于不同阈值下的精确率和召回率的平衡情况来计算的。

衡量了模型对正类样本的识别能力。

D 准确率和误报比 $\frac{TP+TN}{P+N}$, $FPR=\frac{FP}{N}$

没有直接衡量对模型正类样本的识别能力。所以选D

​ 这里需要注意区分FDR和FPR的区别。一般说误报率指的是FPR, FDR是是错误发现率。

• FDR（False Discovery Rate）和FPR（False Positive Rate）是评估分类模型性能的两个不同的统计指标，它们在不同的上下文中使用，具有不同的含义：

  1. False Positive Rate (FPR)：
     • FPR是针对所有实际为负类的样本计算的，它衡量的是模型错误地将负类样本预测为正类的比例。
     • 计算公式为：FPR=False Positives (FP)False Positives (FP)+True Negatives (TN)FPR=False Positives (FP)+True Negatives (TN)False Positives (FP)
     • FPR越低，表示模型在预测负类时，错误预测为正类的比例越低。
     • $FPR=\frac{FP}{FP+TN}$
  2. False Discovery Rate (FDR)：
     • FDR是在多重假设检验中使用的一个指标，它衡量的是所有被预测为正类的样本中，实际为负类（即错误预测）的比例。
     • 计算公式为：$FDR=\frac{FP}{FP+TP}$
     • FDR越低，表示在所有被预测为正类的样本中，错误预测的比例越低。

  FDR与FPR的主要区别：

  • 上下文：FPR通常用于二分类问题中，而FDR则用于多重假设检验，特别是在研究中可能会进行大量统计测试时。
  • 计算基础：FPR是基于所有负类样本计算的，而FDR是基于所有被预测为正类的样本计算的。
  • 应用场景：FPR关注的是控制第一类错误（错误地拒绝真实的零假设），而FDR关注的是在控制错误发现的比例，特别是在存在大量测试时，如何平衡发现真实正类和控制错误发现的比例。
  • 阈值依赖性：FPR与分类阈值的选择相对独立，而FDR则与阈值选择有关，因为阈值会影响TP和FP的数量。

  在实际应用中，选择哪个指标取决于具体的研究问题和目标。例如，在生物信息学和基因表达研究中，FDR是一个常用的指标，因为它有助于控制在大量测试中错误发现的比例。而在常规的分类问题中，FPR是一个更直接的指标，用于评估模型在识别负类样本时的性能。