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。