一分钟看懂深度学习中的准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP

1. 真假阳性阴性

我们查体的时候，经常会听说检测结果呈”真阳性“、”假阴性“等说法。

• 其中”真“、"假"说的是检查结果的对错。”真“意味着检测结果是正确的，"假"意味着检测结果是错误的。
• ”阳性“、"阴性"说的是这次的检查结果。阳性，意味检测出了预定的目标。阴性，意味着没查出预定的目标。

一共四种组合：

检测结果	英文术语	含义
真阳性	true positive	正确地检测到阳性结果：即检测结果正确，并且结果呈现阳性
假阳性	false positive	错误地检测到阳性结果：即检测结果错误，并且结果呈现阳性
真阴性	true negative	正确地检测到阴性结果：即检测结果正确，并且结果呈现阴性
假阴性	false negative	错误地检测到阴性结果：即检测结果错误，并且结果呈现阴性

2. 准确率（Accuracy）

准确率（Accuracy）计算公式为：

$$a=\frac{TP+TN}{TP+TN+FP+FN}$$

准确率，就是在全部预测中，正确预测结果占的比例。

3. 精度（Precision）

精度（Precision）计算公式为：

$$p=\frac{TP}{TP+FP}$$

精度，就是在全部阳性预测中，正确预测结果占的比例。比如，你预报了10次下雨，结果只下了3次，你的预报精度就是 0.3，因为 $TP=3,FP=7$。

我平时很喜欢误报率这个指标，误报率这个说法很容易理解，一些工业标准常用这个概念，不知道为什么学术界不愿意用。误报率定义如下：
$$q=\frac{FP}{TP+FP}=1-p$$

精度与误报率正好相反的两个概念。比如，你预报了10次下雨，结果只下了3次，你的误报率就是 0.7。

4. 召回率（Recall）

召回率（Recall）计算公式为：

$$r=\frac{TP}{TP+FN}=\frac{TP}{P}$$

召回率，就是在全部阳性事件中，正确预测结果占的比例。比如，下了10次雨，结果你只正确预报了 2 次，你的预报的召回率就是 0.2，因为 $TP=2,FN=8,P=10$。

与召回率相反的概念是漏报率，定义如下：
$$s=\frac{FN}{TP+FN}=\frac{FN}{P}=1-r$$

比如，下了10次雨，结果你只正确预报了 2 次，你的预报的漏报率就是 0.8，

5. ROC 曲线与平均精度 AP

精度 p 和召回率 r 是两个矛盾的测量指标。

如果我们希望精度提升，即，降低误报率，但是，这样一来就会提升漏报率，也就是召回率下降。反之亦然。同一个算法，其精度和召回率的关系大致可以用下面的图象来表示，下面的函数 $p(r)$ 曲线称为 ROC 曲线。

最理想的情况是，精度 p 和召回率 r 能同时取得无限接近1的结果。因此，我们希望ROC曲线下方覆盖的面积无限接近 1。我们把ROC取下下方的面积称为检测算法的平均精度，即，AP。
$$AP={\int }_0^{1}p(r)dr$$

6. mAP

大部分情况下，一个算法要检测多个类别的目标，要计算 mAP，就把所有类别的 AP 计算出来，然后求取平均即可。

也就是说 mAP 是算法对所有类别的检测平均精度AP的平均值。mAP 的英文是 mean average precision。