TP TN FP FN IOU

第一个字母T和F代表true和false，是形容词。
第二个字母代表P和N阴性阳性，positive和negative，是预测结果。

TP: true positive, 正确的阳性，说明预测是阳性，而且预测对了，那么实际也是正例。
TN: true negative, 正确的阴性，说明预测是阴性，而且预测对了，那么实际也是负例。
FP: false positive, 假阳性，说明预测是阳性，预测错了，所以实际是负例。
FN: false negative, 假阴性，说明预测是阴性，预测错了，所以实际是正例。

另一种说法，其实一样：
TP：预测为正向（P），实际上预测正确（T），即判断为正向的正确率
TN：预测为负向（N），实际上预测正确（T），即判断为负向的正确率
FP：预测为正向（P），实际上预测错误（F），误报率，即把负向判断成了正向
FN：预测为负向（N），实际上预测错误（F），漏报率，即把正向判断称了负向

准确率Accuracy=（TP+TN） / （TP+FP+TN+FN）， 即预测正确的比上全部的数据

精确率Precision=TP / （TP+FP），即在预测为正向的数据中，有多少预测正确了

召回率Recall=TP / （TP+FN），即在所有正向的数据中，有多少预测正确了入坑

1）正确率（accuracy）
　　正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好；
2）错误率（error rate)
　　错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 - error rate；
3）灵敏度（sensitive）
　　sensitive = TP/P，表示的是K88有正例中被分对的比例，衡量了分类器对正例的识别能力；
4）精度/精确率（precision）
　　精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/（TP+FP）；
5）召回率（recall）
　　召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。
6）F1 Score
分数（ Score），又称平衡F分数（balanced F Score），它被定义为精确率和召回率的调和平均数。

7）受试者特征曲线（ROC 曲线，Receiver Operating Characteristic curve）
展示了：召回率和精度的关系会如何变化。
ROC 曲线在 Y 轴上画出了真正例率（TPR），在 X 轴上画出了假正例率 (FPR)。TPR 是召回率

8)曲线下面积（AUC）：基于 ROC 曲线下方的面积，计算分类模型总体性能的指标。

9)IOU

参考：
https://www.jianshu.com/p/1afbda3a04ab
https://www.cnblogs.com/robinYangRP/p/9471783.html
https://www.jianshu.com/p/ba8a37247a1d