神经网络模型的评价指标

1、准确率(Accuracy)

         举例：我们有10张图片，每张图片有2类对象待定位检测。 此时总和为20，如果我们的模型定位并识别正确的个数为20，则准确率为100%。

         老师：准确率高？

         学生：高

         老师：这个系统还把某些不应该检测的对象定位并检测出来了，误检出10个，你觉得这个系统靠谱？

         学生：不是很靠谱，我们在再引入一个误检率怎么样，我们定义误检率为将其他非目标对象误认为目标对象的概率

2、误检率(false positve)

         举例：误检个数为10,10/20误检率为50%,  这个模型有点差， 如果“宁愿错杀一千，不放过一个”，那这个系统是可以用的，但代价就是浪费好多非目标产品。

         老师：这样可以评判一个模型好坏了吗？

         学生：好似可以了。但是如果类很多，比如10个类，9个类准确率很高，但是1个类准确率很低，虽然整体准确率很高，但这样这个系统也不是很好，毕竟某个类准确率低，会漏掉含有此类的产品的。

         老师：往下看……

3、精确率(precision)

         举例：在上面，我们总共检测了30个，有两类A, B。假设我们检测到了A类15个，但10张图中A类真实存在的数目是10个。这时候A类的精确率为10/15。依次类推其他类的精确率。

 

         

4、召回率(recall)

         举例：正确识别为A类8个，错误的将B类识别为A类5个，则召回率 = 8/(8+5) = 62%

 

 

5、F1-measure

         = r*p*2/(r+p)

 

6、平均精确率（mAP）

         所有类别精确率的平均值。

 

备注：

1.精确率和召回率是互相影响的，理想情况下肯定是做到两者都高，但是一般情况下准确率高、召回率