PR曲线 可算是明白了 precision recall曲线

Inst#是样本序号，图中有20个样本。Class是ground truth 标签，p是positive样本（正例）,n当然就是negative（负例） score是我的分类器对于该样本属于正例的可能性的打分。因为一般模型输出的不是0,1的标注，而是小数，相当于置信度。

然后设置一个从高到低的阈值y，大于等于阈值y的被我正式标注为正例，小于阈值y的被我正式标注为负例。

显然，我设置n个阈值，我就能得到n种标注结果，评判我的模型好不好使。

比如阈值0.9，只有第一个样本被我判断为正例，那么我的查准率precision就是100%,但是查全率recall就是10%。

阈值0.1，所有样本都被我判断为正例，查全率是100%，查准率就是50%

 

最后我能得到若干对precision，recall值(P,R)  :    (1, 0.1),... ,(0.5,1),将这若干对花在图上，再连接起来就是这个pr曲线了

参考：https://blog.csdn.net/teminusign/article/details/51982877

https://tarangshah.com/blog/2018-01-27/what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models/

对，其实最终是mAP