【机器学习】查全率（Recall）/查准率（Precision）/F-Measure/AP（Average Precision）/MAP

感谢这篇博客：http://blog.csdn.net/hysteric314/article/details/54093734
最近也在看YOLO论文，这些基本问题一定要搞懂。

大雁与飞机

对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）

之前看斯坦福机器学习课程，貌似用的是得肿瘤这件事来说明这个问题的，这里用到大雁与飞机也十分有趣。

现在做如下的定义：
True positives : 飞机的图片被正确的识别成了飞机。
True negatives: 大雁的图片没有被识别出来，系统判断正确。
False positives: 大雁的图片被错误地识别成了飞机。
False negatives: 飞机的图片没有被识别出来，系统判断错误。

也就是positives和negatives分别代表预测是正类还是负类，true和false分别代表你预测的正确性。

让我们对应一下下图看看是否理解了我们的假设：

那么在识别出的这四张照片中：
TP（True positives） : 有三个，画绿色框的飞机，飞机是正样本被成功预测了。
FP（False positives）: 有一个，画红色框的大雁，大雁是负样本，但是被检测出来所以错了。

没被识别出来的六张图片中：
TN（True negatives） : 有四个