机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么

（原）（有误）

True、False正确检测还是错误检测（如果画出框的，还需考虑个阈值，IOU高于阈值并且分类正确的（box+class）才算正确检测，否则是错误检测）
Positive、Negative指画没画框

所以：
True Positives（真正例TP）是指正确检测，我们需要的目标，它画出框并且分类正确，交并比大于阈值的
False Positives（假正例FP）是指错误检测，不是我们需要的目标，它画出框，但交并比小于阈值或分类不正确
True Negatives（真负例TN）是指正确检测，不是我们要需的目标，它没画框
False Negatives（假负例FN）是指是错误检测，我们需要的目标，它没画框

20200206 （有误）

更新一下，可能上述表述有误
Positive、Negative指在没在ground truth中

True Positives（真正例TP）是指在ground truth中，它画出框的，标注正确的目标
False Positives（假正例FP）是指在ground truth中，它画出框的，标注错误的目标（就是标注错了）
True Negatives（真负例TN）是指不在ground truth中，它画出框，其实是正确的目标
False Negatives（假负例FN）是指不在ground truth中，它画出框，其实是错误的目标

20200206 （正解）

更新更新更新，貌似上面理解也不对：
参考文章：TP真阳性, FP假阳性, FN假阴性, TN真阴性

True、False表示预测是对或错

TP、True Positive 真阳性：预测为正，实际也为正

FP、False Positive 假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测与负、实际为正

TN、True Negative 真阴性：预测为负、实际也为负。

也就是说，预测和实际一致则为真，预测和实际不一致则为假；如果预测出来是“正”的，则为“阳”，预测结果为 “负”，则为“阴”。

参考文章1：目标检测的评估指标mAP的那些事儿

参考文章2：目标检测中如何计算AP和mAP以及绘制P-R曲线以及SSD中如何修改代码来输出AP和绘制P-R曲线