深度学习中的评价标准

1.true positive（tp） ：被正确识别的  想要识别成的物体狗（比如说想测试的是狗）

     false positive （fp） ： 被错误的识别为 想要成为的物体狗

      以上这两个就是通过阈值识别出来的

    precision = tp/（tp+fp）

    true negative（tn）： 正确的没有被识别为狗

    false negetive（fn）： 错误的没有被识别为狗

     这两个都是指没有被检测出来的

     recall = tp/（tp+fn）

 

2.ap

如果仅仅通过上面有个指标评价一个模型的好坏有些片面，比如通过进行阈值的调整便能单方面的控制某一个指标的大小，因此需要一个更加具有综合性质的评价标准，这就是ap。

一个模型好的标准：在recall rate很大时，准确率也保持在很高的值。

所以引出了Presition-recall 的曲线，通过曲线下的面积大小来表示模型的好坏。