目标检测中精确率，召回率，准确率的意思

先看几个缩写：

下面两行都是被你预测为正类的数据：
TP（True Positive）：正确的正类。（实际样本是正样本，你正确地判断成了正样本）
FP（False Positive）： 错误的正类。（实际样本是负样本，你错误地把它当成了正样本）

下面两行都是被你预测成了负类的数据：
TN（True Negative）：正确的负类，把负样本预测为负。（你预测对了）
FN（False Negative）：错误的负类，把正样本预测为负。（你预测错了）

所以 Positive / Negative 是你预测的结果，你把那些样本预测成了 正类 / 负类 。
True / Flase 表示你的结果正确与否。不管你预测成正类或负类，True就是你预测对了，Flase就是你预测错了。

图1

结合上面的解释和图示就很好理解了，在图中：
左边全是正类（绿色圈圈），个数是42个。
右边全是负类（红色圈圈），个数也是42个。

图中共有4个区域：

• 在正类中：

1. 预测对了：被预测为正类的（TP，True Positive）的个数是32个。
2. 预测错了：被预测为负类的（FN，False Negative）的个数是10个。

• 在负类中：

1. 预测错了：被预测为正类的（FP，Flase Positive）的个数是14个。
2. 预测对了：被预测为负类的（TN，True Negative）的个数是28个。

下面结合图示进行分析：

精确率（Precision）

$$P=\frac{TP}{TP+FP}$$

  所以精确率就是，在所有被你预测为正类的数据中，预测对的（真正的正类）占多少。
  按照图1的例子，这里精确率就是：
$$P=\frac{TP}{TP+FP}=\frac{32}{32+14}=\frac{32}{46}=69.565\%$$

  很遗憾，精确率不是很高，看着分母你会想，要是 FP（Flase Positive） 再少一点就好了。然而，就算 Flase Positive 为 0 也不够，虽然此时 $P=100\%$ ，但是在正类里面你还没有全部预测对，还漏了10个正类。

图2 精确率示意图

召回率（Recall）

$$R=\frac{TP}{TP+FN}$$

  所以召回率就是，在所有真正的正类中，你成功预测到的占了多少。
  按照图1的示例，这里召回率是：

$$R=\frac{TP}{TP+FN}=\frac{32}{32+10}=\frac{32}{42}=76.19\%$$

  怎样提高召回率？请看看公式或者看图。

图3 召回率示意图

准确率（Accuracy）

$$acc=\frac{TP+TN}{TP+FP+TN+FN}$$
  所以准确率就是，在所有样本中，你预测对的占多少。
  哪些是预测对的？正类里面你预测到了几个正类 + 负类里面你预测到了几个负类。
  按照图1的示例，这里准确率是：

$$acc=\frac{TP+TN}{TP+FP+TN+FN}=\frac{32+28}{32+10+28+14}=\frac{32+28}{84}=71.43\%$$

目标检测中的准确率：
由于目标检测中没有 TN（因为预测框太多，低于得分的都直接去掉了，没有加入评价指标中），所以这里令 TN 为 0。

所以
$$\begin{array}{rl}acc& =\frac{TP+TN}{TP+FP+TN+FN}\\ & =\frac{TP}{TP+FP+FN}\end{array}$$

$TP+FN$ 就是所有的真实目标，设为单位 $1$；那么 $TP=1\ast R$，就是召回。

$FP=\frac{TP}{P}-TP=\frac{R}{P}-R$。

所以
$$\begin{array}{rl}acc& =\frac{R}{1+FP}\\ & =\frac{R}{1+\frac{R}{P}-R}\\ & =\frac{R}{\frac{P}{P}+\frac{R}{P}-\frac{PR}{P}}\\ & =\frac{PR}{P+R-PR}\end{array}$$