计算机视觉————精确率，召回率，准确率，TP，FN，FP，FN

以一个例子入手，我们写了一个模型去预测样本是否为男性。

假设，有100个样本，其中有5个样本是男性，有95个样本是女性。

我们用系统对这100个样本进行预测，预测结果正确9７个，错误３个。一共预测出有６个男性，其中正确预测的有４个

理解即为：男性正确预测出４个，女性正确预测出９３个，将１个男性预测为女性，将２个女性预测为男性。

• 准确率

准确率，即是在所有样本的预测结果中，预测正确的概率。9７/ 100 = 9７%

• 精确率

       精确率，是针对于我们要预测的结果，我们的例子是要预测男性，所以针对是的样本中预测是男性的结果，一共预测了６个男性，其中正确的有４个。４ / ６ = 66.7 %

• 召回率

       召回率，是针对参与预测的正样本，我们的例子是要预测男性，所以针对是参与预测的男性的样本，样本中一共有5个男性，预测正确的是4个。4 / 5 = 80%

       总而言之，精确率是针对预测结果，也就是预测结果中正确的概率；；；召回率是针对正样本的，也就是参与预测的正样本预测结果正确的概率。

        正样本是指属于某一类别的样本,反样本是指不属于某一类别的样本。这个例子中，我们要检测的是男性，所以男性的样本就是正样本，女性的样本就是负样本。

       引入概念TP，FN，TN，FP。在计算准确率，召回率，精确率时候，有时候会看见这几个英文符号。

       我们还是以开头为例子，这个模型是进行二分类，要么是男性，要么是女性。我们要定义男性为Postive（P），女性为Negative（N），预测正确为True(T)，预测错误为False（F），正如所学，男性女性，正确错误可以有四种组合方式。

在上面的例子中，

• TP，即为样本是男性，并且预测正确的，有4个；
• TN，即为样本是女性，并且预测正确的，有93个；
• FP，即为样本是女性，但预测时候，将其预测为男性，有2个；
• FN，即为样本是男性，但预测时候，将其预测为女性，有1个；

召回率 = TP/（TP+FN）= 4 /（4+1）= 4/5 = 80%

精确率 = TP/（TP+FP）＝４/ (4+2）=4/6 = 66.7%

准确率 = （TP+TN）/（TP+TN+FP+FN）= （4+93）/（4+93+2+1）= 97%