Recall和Precision

recall：查全率，希望检索到的内容越多越好

\	相关	不相关
检索到	A	B
未检索到	C	D

因此 recall=A/(A+C)

precision：准确率，希望检索到的内容相关的越多越好
因此：precision=A/(A+B)

---

漏警概率（Missing Alarm）
MA = FN/(TP + FN) = 1 – TP/T = 1 - R； 反映有多少个正例被漏判了

虚警概率（False Alarm）
FA = FP / (TP + FP) = 1 – P；反映被判为正例样本中，有多少个是负例。

将正样本错误地认为是负样本，虚警率越大表明鲁棒性越低，因为不能将被攻击的图像和原始图像识别出来。

---

T、P、F、N

• P：正类别
• N：负类别
• T：True 预测结果为对
• F：False 预测结果错误
• 因此，前缀为T的，表示预测正确，样本确实为正或者为负
• 前缀为F的，表示预测错误，FP就表示：预测成正类别，但实际结果是负的。
• 在这儿，TP+FN表示“整个测试集中” “实际为正”的数量，而precision的含义是识别为正的所有数量中，正确的识别数量结果（识别为正，确实为正）所占的比例，也就是说识别为正的结果中，有的识别对了，有的识别错了，因此会有精确的问题，所以precision=TP/(TP+FP)
• recall的含义是正确识别为正的数量在测试集中正类总数中所占的比例，就是说，没有识别出所有位正的测试用例，因此是 “是否完全性” 的问题.recall=TP/(TP+FN)

\	预测结果为阳性 Positive	预测结果为假阳性 Negative
预测结果正确 True	TP	TN
预测结果错误 False	FP	FN