深度学习，误检率，漏检率计算

假设:
一组样本，个数为，正例有P个，负例有N个，

算法结果:
判断为正例的正例有TP个，判断为负例的正例有FN个(假的负例）P=TP+FN
判断为负例的负例为TN个，判断为正例的负例有FP个（假的正例）N=TN+FP

指标计算:
精确度（Precision）P=所有判断为正例的例子中，真正为正例的所占的比例=TP/(TP+FP)
准确率（Accuracy）A=判断正确的例子的比例=（TP+TN）/（P+N）
召回率（Recall）R=所有正例中，被判断为正例的比例=TP/P
漏警概率=1-Recall，正例判断错误的概率，漏掉的正例所占比率
虚警率=1-Precision，错误判断为正例的概率，虚假正例所占的比率