【YOLO】之理解召回率、精确率和准确率

1. 某呼上是这样解释的：
   精确率(precision)和准确率(accuracy)是不一样的。

   实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是
   $P=\frac{TP}{TP+FP}$
   而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。
   $R=\frac{TP}{TP+FN}$

   其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。

2. 或者可以这样理解：
   TP: 将正类预测为正类数
   FN: 将正类预测为负类数
   FP: 将负类预测为正类数
   TN: 将负类预测为负类数

   准确率(accuracy) = $\frac{预测对的}{所有}$ = $\frac{(TP+TN)}{(TP+FN+FP+TN)}$

   精确率(precision) = $\frac{TP}{(TP+FP)}$

   召回率(recall) = $\frac{TP}{(TP+FN)}$

3. 个人是这样理解的：

   假设检测一张图片有31个行人，检测出25个，其中有2个检测错误（检测成了狗），则求召回率，精确度，准确率？

   分析：31个行人检测出25个，说明有6个是误检或者漏检的，有2个检测错误，则说明有25-2=23个行人检测正确，有6-2=4个是漏检的。

   召回率=$\frac{正确检测的行人数目}{原始样本行人总数}=\frac{25-2}{31}=\frac{23}{31}=0.72$

   精确率=$\frac{检测出行人总数}{检测结果总数}=\frac{25-2}{25}=\frac{23}{25}=0.92$

   准确率=$\frac{所有识别正确的数目}{样本总数}=\frac{25-2}{31}=\frac{23}{31}=0.72$