召回率（recall）和精度（precision）

识别精度主要是由召回率（recall）和精度（precision）表示的。通过绘制precision-recall 曲线，该曲线下方的面积越大，识别精度也就越高，反之越低。

在说明 recall 和 precision 计算公式之前需要先介绍几个数据定义。

在一个数据集检测中，会产生四类检测结果：
TP、TN 、FP 、FN：

T ——true 表示正确

F——false 表示错误

P—— positive 表示积极的，看成正例

N——negative 表示消极的，看成负例

我的理解：后面为预测结果，前面是预测结果的正确性。如：

T P—— 预测为 P （正例）, 预测对了， 本来是正样本，检测为正样本（真阳性）。
T N—— 预测为 N （负例）, 预测对了， 本来是负样本，检测为负样本（真阴性）。
F P—— 预测为 P （正例）, 预测错了， 本来是负样本，检测为正样本（假阳性）。
F N—— 预测为 N （负例）, 预测错了， 本来是正样本，检测为负样本（假阴性）。

TP+FP+TN+FN：样本总数。
TP+FN：实际正样本数。
TP+FP：预测结果为正样本的总数，包括预测正确的和错误的。
FP+TN：实际负样本数。
TN+FN：预测结果为负样本的总数，包括预测正确的和错误的

四种情形组成的混淆矩阵如下：

召回率(Recall):

表示的是样本中的正例有多少被预测正确了（找得全）所有正例中被正确预测出来的比例。

用途：用于评估检测器对所有待检测目标的检测覆盖率

针对数据集中的所有正例(TP+FN)而言，模型正确判断出的正例(TP)占数据集中所有正例的比例。FN表示被模型误认为是负例但实际是正例的数据，召回率也叫查全率，以物体检测为例，我们往往把图片中的物体作为正例，此时召回率高代表着模型可以找出图片中更多的物体

精确率(Precision):

表示的是预测为正的样本中有多少是真正的正样本（找得对）。预测结果中真正的正例的比例。

用途：用于评估检测器在检测成功基础上的正确率

针对模型判断出的所有正例(TP+FP)而言，其中真正例(TP)占的比例。精确率也叫查准率，还是以物体检测为例，精确率高表示模型检测出的物体中大部分确实是物体，只有少量不是物体的对象被当成物体

也就是说 recall 表示在整个检测结果中有用部分占整个数据集有用部分的比重，precision 表示在整个检测结果中有用部分占整个检测结果为有用的比重。虽然希望两个指标都能越高越好，但是这两个指标在被某些情况下存在着矛盾，所以在实际检测场景中需要根据自己的判断选择取舍或者绘制 precision-recall 曲线(简称PR曲线)帮助分析。

放一张较为经典理解上述公式的图：

还有一个指标：
准确率(Accuracy): 模型判断正确的数据(TP+TN)占总数据的比例

直观上说，我们用上述标准来衡量目标检测的好坏似乎已经够了。然而，目标检测问题中的模型的分类和定位都需要进行评估，每个图像都可能具有不同类别的不同目标，因此，在图像分类问题中所使用的标准度量不能直接应用于目标检测问题。

缺点：准确率是分类问题中最简单也是最直观的评价指标，但存在明显的缺陷。比如，当负样本占99%时，分类器把所有样本都预测为负样本也可以获得99%的准确率。所以，当不同类别的样本比例非常不均衡时，占比大的类别往往成为影响准确率的最主要因素。