深度学习中的Precision和Recall，AP，mAP

Precision精确率， Recall召回率，是二分类问题常用的评价指标。混淆矩阵如下：

T和F代表True和False，是形容词，代表预测是否正确。

P和N代表Positive和Negative，是预测结果。

2. Precision

精确率计算公式：

 

理解：

TP+FP: 也就是全体Positive， 也就是预测的图片中是正类的图片的数目

TP: 也就是正类也被预测为正类的图片的个数

总之：预测正确的图片个数占总的正类预测个数的比例（从预测结果角度看，有多少预测是准确的）

3. Recall

召回率计算公式：

 

 

理解：

TP+FN: 也就是全体完全满足图片标注的图片的个数

TP：正类被预测为正类的图片个数

总之：确定了正类被预测为正类图片占所有标注图片的个数（从标注角度看，有多少被召回）

3.AP计算
PASCAL VOC CHALLENGE自2010年后就换了新计算方法。新的计算方法假设这N个样本中有M个正例，那么我们会得到M个recall值（1/M, 2/M, …, M/M）,对于每个recall值r，我们可以计算出对应（r’ > r）的最大precision，然后对这M个precision值取平均即得到最后的AP值。计算方法如下：​ 

相应的Precision-Recall曲线中被用于计算AP的部分如下（每一个recall的节点都取precision的最大值连接起来）： 

4.mAP

AP衡量的是学出来的模型在每个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏，得到AP后mAP的计算就变得很简单了，就是取所有AP的平均值。