查全率，查准率，对于多个类别的mAP

精度(precision)，召回率(recall)，map_pikaqiu_n95的博客-CSDN博客目标检测中经常会见到precision，recall，map三个指标用来评估一个模型的优劣，当然在很多其他的应用中也可以看到这三个指标的具体应用；因此很有必要对这三个指标进行详细的了解。在介绍这三个指标之前有必要先了解几个基本的术语：True positives，True negatives，False positives，False negative。大雁和飞机假设现有一个测试集，测试集中仅包含大雁和飞机两种目标，如图所示：假设分类的目标是：取出测试集中所有飞机图片，而非大雁图片现做如下定义：https://blog.csdn.net/pikaqiu_n95/article/details/109190404(38条消息) 机器学习分类结果混淆矩阵 TP、TN、FP、FN 防混淆基于方法_sdnuwjw的博客-CSDN博客_分类结果混淆矩阵https://blog.csdn.net/sdnuwjw/article/details/90383060

借用这兄弟的例子：

假设分类的目标是：取出测试集中所有飞机图片，而非大雁图片
现做如下定义：
True positives:    飞机的图片被正确识别为飞机
True negatives：大雁的图片被正确识别为大雁
False positives：大雁的图片被错误识别为飞机
False negatives：飞机的图片被错误识别为大雁

正确地将（正例）预测为（正例）（真正例）：TP
正确地将（反例）预测为（反例）（真反例）：TN
错误地将（反例）预测为（正例）（假正例）：FP
错误地将（正例）预测为（反例）（假反例）：FN

precision = tp / (tp + fp)，True positives + False positives，就是系统识别为飞机的图片数

recall = tp / (tp + fn)，True positives + False negatives，可以理解为一共有多少张真正的飞机图片

对于单个类别来说，pr曲线所包含的面积用来作为该类别的平均精度(average precision，ap)；那么对于多个类别的模型而言，通常通过求各个类别的平均ap值作为其性能评估，即(mean average precision，map)；