目标检测问题中的“召回率Recall”、“精确率Precision”

继上篇mAP之后，想彻底梳理一下基本概念，今天来搞一搞“召回率”、“精确率”

几个概念

假设有一个测试集中包含了n个小猫和小狗的图片，我们的目标是找出所有的猫。目标是：猫。

（1）True positive：正确找出目标图片；就是正确找出了猫；

（2）True negative：正确找出了哪些不是目标；认为狗就是狗；

（3）False positive：模型将不是目标的图片识别为要找的目标；模型将狗识别成了猫；

（4）False negative：模型将目标图片认为是其他图片，就是没有将目标识别出来；没有将猫识别出来，模型认为它是狗；

精确度Precision

精确度就是在识别出来的图片中，True positive所占的比率

                                                                   precision = 

这个和上一篇中的precision是一样的

召回率Recall

召回率就是正确识别出来猫的个数占测试集中所有的猫的个数：

                                                                            recall = 

评述

精确率和召回率是最常见的两个指标。

精确率：就是识别出来的结果有多少个是正确的；

召回率：正确的结果有多少被识别出来了；

这两个指标通常是此消彼长的，例如你要是要求精确率高了，那么召回率就不会那么高了。通常需要调整某些参数来达到这两者之间的一个平衡。