人工智能 精确率 召回率 准确率 概念及用法 理解

以通过核酸检测阳性（TP或FP）确诊新冠病人为例，一般会设定阳性（实际真正有病的）病例为正样本（正例）：

精确率P，是指所有核酸检测结果为阳性（TP+FP）的人员中，真正为新冠病人的比例，也就是真阳性人数（检测结果阳性中真为新冠病人的人数，TP）占阳性人员总数的
比值；

召回率R，指所有的新冠病人中，核酸检测结果为阳性的比例，也就是真阳性人数（检测结果阳性中真为新冠病人的人数）占新冠病人总数的比值；

准确率A，指检测的所有人中，检测结果正确的比例，也就是检测结果为真阳性和真阴性的人数占所有人数的比值。

置信度阈值用于判断是是P还是N。大于置信度阈值，判断为P；小于的不用执行后面的IOU判断（因为任一目标的GTs总数=TP+FN）。 
这一步操作实际上是在置信度从大到小排序后，后续的逻辑判断及计算过程中，自动完成置信度阈值的从大到小选取。

IOU阈值用于判断是是T还是F。在NMS前提下（NMS也有阈值），大于IOU阈值，判断为T；小于的为F。

只用于对P样本的判断。

因为求P（精确率）和R（召回率）时，不需要TN。

IOU阈值越小，TP越多，判断为FP的就越少，计算出的P和R就都会越大。

IOU阈值为什么不能特别小？

（1）虽然TP越多，判断为FP的就越少，计算出的P和R就都会越大；

（2）但是阈值越小时，定位准确性会越差，非常小时 定位准确性很差（跟标签重合面积小），而且可能跟临近的别的同类标签相互误判。

所以1副图中只有1个目标物体时，不考虑定位准确性的话，IOU阈值可以很小。

纵撕和疲劳检测，FPR（误检率或过杀率或假阳率）要尽量低，以降低成本，并通过后续判断提高准确性。

FPR=FP/全部真实的负样本=FP/（FP+TN）

一副图中或一个数据集中TN是固定
值或者可认为是固定值，很多时候这个值不需要统计。

FPR=1/（1 + TN/FP）

所以，FP越少越好（FPR越低）。

比如二分类时，没眨眼的图像（或不含纵撕的图像）总数就是N（真实负样本）的总数。

FP是置信度高（＞阈值），但IOU值低于阈值，相当于误检出（多检出）的框。

FP越少，则需要置信度阈值尽量大 或 （最好是和）IOU阈值尽量低，或者要求训练及检测
时置信度值结果更准确（不一定是越高或越低更好）。

所以得到低FP（低FPR、高P）的方法就两三个：

1. 增加样本数、优化预处理方法 或 优化算法及网络结构，让置信度值更准；

2. 调高置信度阈值；

3. 调低IOU阈值。

FP是置信度高（＞阈值），但IOU值低于阈值，相当于误检出（多检出）的框。

尽量让FP少，TP一般会变多（也可能变少，因为有可能FP+TP总数就少了），即
置信度阈值
调高、IOU阈值调低时，TP的数量不一定变多，
但精确率P会更高（主要是FP会减少）。因为：

P= TP/（TP + FP）= 1/（1 + FP/TP）

纵撕检测，一类故障（目标），也可认为是二分类，只检测一副图中有没有纵撕这个目标，没检测到目标就是没纵撕；

安全帽检测，两类目标，其中未带安全帽的为主要目标，两者关系需进一步分析。

疲劳检测，两类目标，睁眼和闭眼，重点关注闭眼的检测结果。