FPR/TNR指标在机器学习中并不常用，因此，此处简单的介绍相应的概念和公式，帮助大家全面了解机器学习相关的评估指标。
一.FPR/TNR的定义和公式
在机器学习中，性能评估是了解模型在处理任务中的效果的关键部分。FPR（False Positive Rate）和TNR（True Negative Rate）是二分类问题中的两个常见的性能指标，它们与混淆矩阵（Confusion Matrix）相关。
False Positive Rate (FPR):FPR是指被模型错误地预测为正类别的负例样本的比率。计算方式为：FPR=FP / (FP+TN）其中，FP 是假正例（False Positive）的数量，TN 是真负例（True Negative）的数量。
FPR表示模型在负例样本中错误地预测为正例的概率。True Negative Rate (TNR) 或 Specificity:TNR是指被模型正确地预测为负类别的负例样本的比率。计算方式为：TNR=TN / (TN+FP)其中，TN 是真负例的数量，FP 是假正例的数量。
TNR也称为特异性，表示模型在负例样本中正确地预测为负例的概率。
这两个指标通常在二分类问题的评估中与其他指标一起使用，例如准确度（Accuracy）、精确度（Precision）、召回率（Recall）等。它们对于不同的应用场景有不同的重要性。在一些应用中，对负例的准确预测更为关键，因此 TNR 或 FPR 可能更具指导性。
总体而言，混淆矩阵和由此导出的指标提供了对模型性能全面的理解，特别是在不平衡类别的情况下。
