TP、FP、TN、FN

预测\真实	正样本	负样本
正样本	TP	FP
负样本	FN	TN

• TP(True Positive) 正样本被正确识别的数量（预测结果为正样本，实际也为正样本）
• FP(False Positive) 被误识别的负样本的数量（预测结果为正样本，实际为负样本）
• TN(True Negative) 负样本被正确识别的数量 （预测结果为负样本，实际也为负样本）
• FN(False Negative) 被漏识别的正样本数量 （预测结果为负样本，实际为正样本）

TP + FN = 真实正样本总和 （正确、漏识别的正样本） FP + TN = 真实负样本总和 （正确、误识别的负样本） TP + TN = 正确分类的样本总和 （正确识别的正、负样本）

Accuracy 准确率

预测正确的样本比例

$$Accuracy = \frac{(TP + TN)}{样本总数}$$

Precision 查准率（精确率）

预测正确的正样本的准确度，Precision 越大说明误检的越少，Precision 越小说明误检的越多

$$Precision = \frac{TP}{(TP + FP)}$$

Recall 查全率（召回率）

预测正确的正样本的覆盖率，Recall 越大说明漏检的越少，Recall 越小说明漏检的越多

$$Recall = \frac{TP}{(TP + FN)}$$

TP + FN 实际就是 Ground Truth 的数量（真实样本总和）

AP (Average Precision) 平均精度

以 Recall 为横轴，Precision 为纵轴，就可以画出一条 PR 曲线，PR 曲线下的面积就定义为 AP

$$AP = \int_{0}^{1} P(r) dr$$

由于积分不好计算，引入插值法

$$AP = \sum\nolimits_{k=1}^{N} max_{\widetilde{k} \geq k} P(\widetilde{k}) \Delta r(k)$$

mAP

AP 是计算某一类 PR 曲线下的面积，mAP 则是计算所有类别 PR 曲线下面积的平均值

参考

• amusi/Deep-Learning-Interview-Book/blob/master/docs/计算机视觉.md#map
• AP，mAP计算详解（代码全解）