模型分类性能评价：准确度，精度与召回率

• 精确率precision（查准率）
• 召回率recall（查全率）
• 准确率accuracy
• True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率，预测对了。
• True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率，预测对了
• False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率，预测错了
• False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率，预测错了

True 或者False 表示判断的对错，阳性，阴性表示模型预测的结果是正样本还是负样本

 

1，召回率或查全率（recall）的衡量指标

      最大化模型找到数据集中所有相关案例的能力

      召回率=真正例/（真正例+假反例）, 以检测拍照为例，正确检测的拍照占出现的拍照行为的百分比。

      真正例：实际上是拍照，预测正确。假反例：实际上是拍照，预测错误

2，精度　

　 精度=真正例/（真正例+假正例）：正确检测的拍照占所有检测到的拍照行为的百分比

3，精度—召回率权衡

precision就是你以为的正样本,到底猜对了多少.
recall就是真正的正样本,到底找出了多少.

结合精度和召回率，在某些情况中，我们也许需要以牺牲另一个指标为代价来最大化精度或者召回率。
例如，在对患者进行随访检查的初步疾病筛查中，我们可能希望得到接近于 1 的召回率—我们想找到所有实际患病的患者。
如果随访检查的代价不是很高，我们可以接受较低的精度。然而，如果我们想要找到精度和召回率的最佳组合，我们可以使用 F1 score 来对两者进行结合。

4，AP值

AP的意义:AP综合考量了recall和precision的影响,反映了模型对某个类别识别的好坏.

AP的定义即为recall-precision下的面积.

一个分类器如果比较好的让Recall值增长的同时保持Precision的值在一个很高的水平。即召回率-精度曲线下的面积越大越好

参考：

https://www.cnblogs.com/xuexuefirst/p/8858274.html