博客摘录「 ap、mAP多标签图像分类任务的评价方法」2024年5月16日

true   positives + false  positives；；；true   negative + false   negative 

从后往前翻译——p：机器人认为是真值，n：机器人认为是假值;;;;;true：实际结果与机器识别结果对比显示为真值，false：实际结果与机器识别结果对比显示为假值。

那么这四个标签从后往前翻译（说人话就是）：机器识别为真实际也为真，机器识别为真但实际为假，机器识别为假实际也确实为假，机器识别为假但实际为真。

那么所有的真样本为TP+FN，，，其余的便为所有的假样本。

从另一个角度翻译：将P和N分别表示为+1和-1（或者表示为0也可以，文章中用的是实心圆圈和空心圆圈表示），将T和F表示为+和-，那么四个结果分别为+（+1），-（+1），+（-1），-（-1）。这就很容易看出实际为真值的是第一个和第四个结果（正正得正，负负得正）。

至于文章中所引出的概念precision和recall可以这么解释；

precision：机器所得出的为真（+（+1））的样本的这个行为的准确度为多少

recall：机器所得出的为真（+（+1））的样本数量在所有实际为真的数量中的占比，因为有一部分实际真值被机器识别为了假。

之所以文章中选了这五个，是因为上一步骤中已经将样本按照置信度从高到低排序了，那么我个人理解为将机器识别的置信度在45%的样本都定义为positive也即我所说的+（+1）.

也即是说下图中黑色圆圈的标定在现在举例上是以45%为评判标准的。

                                      

这个第四列的max precision不好理解，评论区也是看了很久

可以这么直观解释：recall为1/6时，检索的数据是按照从recall为1/6到6/6中所有的precision的最大值也即中的最大值，recall为2/6时检索的是，recall为3/6时检索的是后续也都是这么操作，那么自然而然，表格中的数据都是正确的。