准确率、精确率和召回率指标区别

机器学习、目标检测等领域常用的指标：准确率（accuracy） 精确率（precision）和召回率（recall）有什么区别？

 

 搞图像分类的时候，经常用到准确率的指标，分类正确的比例是准确率。比如猫狗动物分类，测试集给100张图片，神经网络识别出来的结果中，有30张图片是分类正确的，70张错误，准确率为30%

后面搞目标检测的时候多出来2个指标精确率和召回率，以前看了下定义，时间久了就容易混淆，这里举个例子帮助理解，免得以后就忘记了。

有个目标检测任务，给定一张图片，检测（框）出里面的所有行人，有一个网络可以检测行人和物体。比如图片里有60个人，还有汽车、道路等其它物体，最理想情况下的结果：网络标60个行人框，和60个人恰好一一对应。    但是可能网络性能不够好，有可能把一辆汽车标成了人；有可能把人标成了物体；有可能标漏了，60个人只找出来50个，漏了10个行人框。   

那么如何定义网络的结果好不好呢？

 在这里，标的框标注有2种：行人框（正样本positive）、物体框（负样本negative）

标对了就叫true，标错了就是false，

因而一个框最后有4种可能的结果：TP（行人框、正确） FP（行人框、错误，应该是物体框）

TN（物体框、正确） FN（物体框、错误，应该是行人框）

传统的准确率：不管什么正样本、负样本的，只管你标对了多少，因而acc=(TP+TN)/(TP+TN+TN+FN)

怎么评价网络好不好呢，首先你不能标漏太多吧，60个人你得尽量全部找出来吧，这叫召回率，60个人你找出来多少，所以recall=(TP)/(TP+FN),     TP就是你找出来的人数量，FN也是行人，但是你误以为是物体，相当于标漏了。

另外你标的框不能太多了，不能说找60个人，你标了1万个行人框才找全这60个人吧，万一你瞎猜的呢，所以这叫精确率，precision=(TP)/(TP+FP)