【深度学习常见问题——评价指标】

ROC曲线

1. 定义
横坐标为假阳性率(FPR)，纵坐标为真阳性率(TPR)。其中：
$FPR=\frac{FP}{N}=\frac{FP}{TN+FP}$
$TPR=\frac{TP}{P}=\frac{TP}{TP+FN}$
2. 优点
ROC对正负样本分布不均衡有鲁棒性，而实际中正负样本经常是不均衡的
（P-R曲线则没有这种优点）

AUC值

1. 定义
ROC曲线下方的面积（也就是ROC曲线沿着X轴的积分），AUC值越大越好，越大说明越有可能把正确的样本排在前面

P-R曲线（对应ROC曲线）

1. 定义
横轴为准确率(Precision)，纵轴为召回率(Recall)。其中：
$Precision=\frac{TP}{TP+FP}$，表示模型提出的正样本中正确的有多少
$Recall=\frac{TP}{TP+FN}$，表示模型提出的正样本占全部正样本的多少

2. 特点
我们希望R越高越好，也希望R越高越好，但是这两者在某些情况是矛盾的。召回率和精确率可能需要权衡。但是

AP值（对应AUC值）

1. 定义
P-R曲线下方的面积，也就是沿着Recall轴的积分值。另外如无特殊说明，AP的最终结果是按照IOU阈值从0.5到0.95步长为0.05的不同IOU计算AP后取均值得到的，也就是AP@50:5:95，另外后面有特定的数值就是说IOU选取特定的值的时候的AP计算值

具体的AP计算对应范围如下：

mAP值

1. 定义
可以说是不同类别AP取平均，但是实际上AP和mAP往往指代的是同一个概念，即AP通常也是跨类别计算的而不是针对某一特定的类别计算的，因此一般AP和mAP不做区分。