一个实例说明Tp，Fp，Fn，Tn，mAP
由于最近在作图像检索。那么就有一个评价指标的问题。在网上一搜，尼玛，跟念经的一样。晦涩难懂。
这里，用一个实例说明。
1、背景
假设现在医院有医生给人测血糖，共100人。为了方便，我们分两类人，不正常（N），正常（P）。
groundtruth： 不正常（30），正常 （70）。
doctor predict： 不正常（40），正常（60）。
实际山，和这个预测的高血糖中真正高的，有24人。那16人不高。
预测正常的人真正正常的有54人，那6个人高血糖。
True Positive：我们把这个词分成两部分，true。说明医生测对了。Positive，说明测试结果是正常。
其余的类似。这两个词都是针对预测结果而言的。
2、建模
现在我们做混淆矩阵（Confusion Matrix）
| 、 | groundtruth=Positive | groundtruth=Negative |
|---|---|---|
| predict=Positive | True Positive | False Positive |
| predict=Negative | False Negative | True Negative |
| 、 | groundtruth=Positive | groundtruth=Negative |
|---|---|---|
| predict=Positive | 54 | 6 |
| predict=Negative | 16 | 24 |
3、PR曲线
我们看到其实Recall 与Precision 都只关心，【True Positive】 的百分比。有些片面
来看一个极限：【医生预测所有的人都正常】
| 、 | groundtruth=Positive | groundtruth=Negative |
|---|---|---|
| predict=Positive | 70 | 30 |
| predict=Negative | 0 | 0 |
·
另一端的极限：【医生预测所有人都不正常】
| 、 | groundtruth=Positive | groundtruth=Negative |
|---|---|---|
| predict=Positive | 0 | 0 |
| predict=Negative | 70 | 30 |
由于True Positive =0 ，结果为0。
4小结
Recall ， Precision 都只关心 模型对于正样本的的预测情况。
因此还有一个常用的标准：Accuracy （看看100道判断题得了多少分）.
那有没有一个模型或者评判标准，综合考量模型。而不是像上面那样，单看一个评价标准没有实用价值。
有，就是F1 Measure
实际上，我们往往希望得到Precision 与Recall 相差不大的模型。也就是对于一个模型，我们希望F1 Score高。
mAP（mean average precision）
这张图片来自于：http://yongyuan.name/blog/evaluation-of-information-retrieval.html 。博主写的很好。这里贴出来。供大家参考。很佩服。
