cnn指标

分类指标

1. acc准确率

Accuracy=(TP+TN)/(TP+FP+TN+FN)

所有样本都正确分类的概率，可以使用不同的阈值T

2. precision精确度

Precision=TP/(TP+FP)，对的正样本/对的分类。表示的是召回为正样本的样本中，到底有多少是真正的正样本。

3. recall召回率

Recall=TP/(TP+FN)，对的正样本/正样本

recall-precison 横轴就是recall，纵轴就是precision，曲线越接近右上角，说明其性能越好，可以用该曲线与坐标轴包围的面积来定量评估，值在0～1之间。

4.F1score

F1 score=2·Precision·Recall/(Precision+Recall)，只有在召回率Recall和精确率Precision都高的情况下，F1 score才会很高，因此F1 score是一个综合性能的指标。

4. 混淆矩阵

类别之间相互误分的情况，其中第i行第j列，表示第i类目标被分类为第j类的概率，可以知道，越好的分类器对角线上的值更大，其他地方应该越小。

5.roc AUC指标

分类算法在不同的参数下的表现情况，就可以使用一条曲线，即ROC曲线，全称为receiver operating characteristic。ROC曲线越接近左上角，该分类器的性能越好，若一个分类器的ROC曲线完全包住另一个分类器，那么可以判断前者的性能更好。

AUC（Area Under Curve）为ROC曲线下的面积，它表示的就是一个概率，这个面积的数值不会大于1。随机挑选一个正样本以及一个负样本，AUC表征的就是有多大的概率，分类器会对正样本给出的预测值高于负样本，当然前提是正样本的预测值的确应该高于负样本。

回归指标

1. IOU

IoU大于等于0.5就认为召回，如果设置更高的IoU阈值，则召回率下降，同时定位框也越更加精确。

在图像分割中也会经常使用IoU，此时就不必限定为两个矩形框的面积。比如对于二分类的前背景分割，那么IoU=(真实前景像素面积∩预测前景像素面积)/(真实前景像素面积∪预测前景像素面积)，这一个指标，通常比直接计算每一个像素的分类正确概率要低，也对错误分类更加敏感。

2. AP

Average Precision Precision-Recall曲线下的面积

AP衡量的是学出来的模型在一个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏。

https://zhuanlan.zhihu.com/p/59481933

和阈值的关系下次再说吧