关于模型训练的一些指标（说人话）

TP（True Positive）：真正例，表示模型正确地将正样本分类为正样本。也就是模型预测为正样本且实际上是正样本的数量。
FP（False Positive）：假正例，表示模型错误地将负样本分类为正样本。也就是模型预测为正样本但实际上是负样本的数量。
FN（False Negative）：假反例，表示模型错误地将正样本分类为负样本。也就是模型预测为负样本但实际上是正样本的数量。
TN（True Negative）：真反例，表示模型正确地将负样本分类为负样本。也就是模型预测为负样本且实际上是负样本的数量。

上边的解释不太容易理解。解释具体见下：

训练一个模型：检测图片中的狗。输出：有狗/没狗

训练的数据中会有带狗的照片，并且标注告诉这个是狗！正样本！

训练数据中会有带猫的照片，并且标注告诉这个不是狗！副样本！

训练数据中即没有猫也没有狗，并且标注告诉这个不是狗！副样本！

举例：TP(True Positive):括号里的第一项True代表模型给出的结果是否正确！就是给你模型判作业！第二项Positive，即模型输出的结果，positive即有狗，negative即没狗

TP（True Positive）:模型检测对了！有狗！

FP（False Positive）:模型检测错了！ 有狗！（误检）

FN（False Negative）:模型检测错了！ 没狗！（漏检）

TN（True Negative）:模型检测对了！ 没狗！

我们大部分场景用到的FP和FN即误检和漏检！

Precision = TP/(TP+FP) 所有预测为正样本中有多少是对的，预测为有狗中有多少是对的！

对于精度来讲TP不变的基础上，FP越大精度越低。

Recall = TP/(TP+FN)     在实际有狗的样本中有多少是预测对的。

对于召回率来讲TP不变的基础上，FN越大召回率约低。

平均精度（AP）

对于一个模型来讲，精度和召回率相互制约。精度越大召回率越低，召回率越大精度越低。

AP即精度和召回率围成的最大面积，通过取近似值，把曲线面积变成求很多矩形框的面积，最后得到AP.（见下图）

每一个长方形的宽是一个racall变化区间内对应的精度最大值(下右图)。这里A3形状应该分成2个，为什么这样我也没明白。这里的总体思路是召回率和精准率围成的面积，这个面积权衡考虑了误检和漏检，代表了模型的性能。

精度和召回率是相互制约的，精度越高误检越少，误检越少漏检就越多，把很多似狗非狗的都认为不是狗了。相反，漏检越少，模型相对比较积极，这样很容易把不是狗的也检测成狗了，这样误检就上去了，精度也就下来了。

所以召回率和精度处在一个比较均衡的状态是比较合适的。

mAP即对所有类别的AP求平均。