深度学习中的评价指标函数

P R AP

混淆矩阵

TP:正确分类到正样本的样本个数 True Positive
FP:错误分类分到正样本的个数 False Positive
TN:正确分类到负样本的样本个数 True Negative
FN:错误分类分到负样本的样本个数 False Negative

precision：P=TP/(TP+FP)

recall :R=TP/(TP+FN)

一般来说，precision和recall是鱼与熊掌的关系，往往召回率越高，准确率越低,

AP:平均准确度,计算方式：P-R线的面积

mAP:平均AP，不同的类别的性能的均值，目标检测的性能指标。

P-R曲线即 以 precision 和 recall 作为 纵、横轴坐标 的二维曲线。通过选取不同阈值时对应的精度和召回率画出

总体趋势，精度越高，召回越低，当召回达到1时，对应概率分数最低的正样本，这个时候正样本数量除以所有大于等于该阈值的样本数量就是最低的精度值。

另外，P-R曲线围起来的面积就是AP值，通常来说一个越好的分类器，AP值越高

IOU：交并比。目标检测框的交集面积和并集面积的比。

ACU：AUC为ROC曲线的面积，计算可以采用积分

ROC曲线的横轴为“假正例率”（True Positive Rate,TPR)，又称为“假阳率”；纵轴为“真正例率”(False Positive Rate,FPR)，又称为“真阳率”。

假阳率：TPR=FP/(FP+TN)
真阳率：FPR=TP/(TP+FN)