我在LingSpam数据集上运行SVM分类器，并在Weka中得到了以下混淆矩阵：

如果我们将合法邮件视为正类（positive class），垃圾邮件视为负类（negative class），那么真阳性（True Positives）为2405，真阴性（True Negatives）为470。

但是我对假阴性（False Negatives）和假阳性（False Positives）感到困惑。如果你阅读这里的“混淆表”部分，似乎假阳性为11，假阴性为7。但如果你阅读这里（请使用Ctrl+F并搜索“What do all these numbers mean?”），似乎假阳性为7，假阴性为11。

我很困惑:(。请帮帮我！另外，Weka中的IR_Precision和IR_Recall是什么？是合法邮件的精确度和召回率（legitimate_precision和legitimate_recall）还是垃圾邮件的精确度和召回率（spam_precision和spam_recall）？

注意：将合法邮件视为正类，垃圾邮件视为负类。

回答：

这取决于你如何定义“正类”。并没有什么特别之处让“合法”成为正类；你可以选择任何一种方式。

在这里，将“垃圾邮件”称为正类更为常规，因为这是你要检测的异常属性。在这种解释下，有470个真阳性，等等。在你的解释中，有2405个。严格来说，这两种解释都没有错，但通常更习惯将“垃圾邮件”视为正类。

关于精确度和召回率的回答也是如此。这是针对正类的，但取决于你使用什么作为正类。如果你输入这个混淆矩阵，它将寻找“合法”作为正类的精确度和召回率。我建议最好反过来处理。