写论文过程记录-评价指标-混淆矩阵-FAR-FRR-EER-ROC曲线-AUC值-Recall-Precision-PR曲线

如果你在认识这些指标的过程中，被各种说法折腾的毫无头绪，一团乱麻，请看下面的详细解释，纯手工整理，非复制粘贴。

混淆矩阵

经典的混淆矩阵，各项含义如下：

FN：False Negative,被判定为负样本，但事实上是正样本。

FP：False Positive,被判定为正样本，但事实上是负样本。

TN：True Negative,被判定为负样本，事实上也是负样本。

TP：True Positive,被判定为正样本，事实上也是正样本。

在人脸鉴别，签字鉴别等需要鉴定身份的领域，需要使用的评价指标有FAR-FRR-EER-ROC曲线-AUC值等。

FAR和FRR

误识率FAR=FP/(FP+TN)，本身假但认为真 / 所有 假的情况

误识率FAR有时也写作：FAR=NFA/NIRA(类间测试:NIRA)

误拒率FRR=FN/(TP+FN)，本身真但认为假 / 所有 真的情况

误拒率FRR有时也写作：FRR=NFR/NGRA(类内测试:NGRA)

这两个“率”均为错误率，当FAR=FRR时，称为等错误率EER；

ROC曲线

ROC曲线绘制需要计算TPR和FPR，按照定义，

TPR=TP/(TP+FN)

FPR=FP/(FP+TN)

观察可以发现，有助于我们理解的重点信息是：TPR=1-FRR，FPR=FAR；

更有意思的是，在人脸鉴别，签字鉴别等领域，TPR也看作我们常说的召回率Recall，计算公式一毛一样！！！就是因为很多相似的概念，却拥有各式各样的名称，才会令不明就里的萌新们疑惑。

AUC值

AUC值即为ROC曲线与x轴所围的面积。当模型完美解决问题，所有指标完美时，AUC值为1。

下面暂时抛开人脸鉴别，签字鉴别等领域，进行PR曲线探讨

PR曲线根据Recall和Precision画出。上文已经提过Recall=TPR，Recall和Precision定义如下

Precision = TP/(TP+FP)
Recall = TP/(TP+FN)

其中,Recall即为召回率或者说查全率，而Precision翻译一定要慎重，我翻译为精确率或查准率。切记，不能称为准确率，因为准确率定义应为

Accuracy = (TP+TN)/(TP+TN+FP+FN)

下表是我在做笔迹鉴定领域的研究期间，总结的一个简单的各个评价指标一览表，希望帮到疑惑的小伙伴

名称	公式	含义
误识率(FAR)	FAR=FP/(FP+TN)	本身假但认为真/所有 假的情况
拒识率(FRR)	FRR=FN/(TP+FN)	本身真但认为假/所有 真的情况
召回率Recall/TPR	TP/(TP+FN)	本身真也认为真/所有 真的情况
FPR也称误识率	FP/(FP+TN)	本身假但认为真/所有 假的情况
精确率Precision	TP/(TP+FP)	本身真也认为真/所有认为 真的情况
准确率	所有正确情况/所有情况
TPR纵坐标：即1-FRR	ROC曲线评估 AUC值（ROC与X轴围成的面积）
FPR横坐标：即FAR

总之，当你遇到相关公式的疑惑时，请按照混淆矩阵定义，写出指标的与TP,FP,TN,FN相关的定义表达式，与其他指标进行公式对比，就会一清二楚了，不要被模糊的定义混淆了概念