【无标题】

1. TP、FP、TN、FN

第一位表示分类器是否预测正确，第二位表示分类器的预测结果。从后往前看，先看预测结果样本是Positive（正样本）还是Negative（负样本），然后确认分类器是否预测正确。参考

TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。

FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。

TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。

FN：False Negative，分类器预测结果为负样本，实际为正样本，即误报的正样本数量。

TP+FN：真实正样本的总和，正确分类的正样本数量+漏报的正样本数量。

FP+TN：真实负样本的总和，负样本被误识别为正样本数量+正确分类的负样本数量。

TP+TN：正确分类的样本总和，正确分类的正样本数量+正确分类的负样本数量。

2. Accuracy准确率

Accuracy表征的是预测正确的样本比例。不过通常不用这个概念，主要是因为预测正确的负样本这个没有太大意义。S表示样本数量

3. Precision查准率

Precision表征的是预测正确的正样本的准确度，查准率等于预测正确的正样本数量 / 所有预测为正样本数量。Precision越大说明误检的越少，Precision越小说明误检的越多。

4. Recall查全率/召回率

Recall表征的是预测正确的正样本的覆盖率，查全率等于预测正确的正样本数量 / 所有正样本的总和，TP+FN实际就是Ground Truth的数量。Recall越大说明漏检的越少，Recall越小说明漏检的越多。

5. IoU交并比

IoU(Intersection over Union)交并比是对象类别分割问题的标准性能度量。IoU计算的是“预测的边框”和“真实的边框”的交叠程度，即它们的交集和并集的比值。

最理想情况是完全重叠，即比值为1。