目标检测、图像分类中的模型效果指标precision与recall的本质探索

要想理解一个事情的本质，首先要抽丝剥茧，把复杂的逻辑变得简单。——CoolMan

理解TP\FP\FN\TN

举一个简单的例子，我训练了一个图片分类模型（目标检测最后一步也就是图像分类）。这个模型做的事情非常简单，就是判断这张图中有没有马。好的，现在我准备了1000张图片，其中有300张中有马，另外700张没有马。这时我们期望模型能够达到的最好效果就是准确的找出这300张有马的图。很遗憾，我们的模型找出了400张它认为有马的图，这400张图中有250张是真的有马的，另外150张是模型的“误检”，可想而知，另外600张我们的模型认为没有马的图片中其实有50张是有马的，也就是说我们的模型“漏检”了50张有马的图。
其实，通过上述文字表达，我们很容易得到一些易于理解的指标（我相信各位能够看懂下列的三个式子）

1. 准确率：250/400 = 62.5%
2. 误检率：150/400 = 37.5% （其实就是100%-准确率 ）
3. 漏检率：50/300 = 16.67%

我个人很喜欢这些指标，因为不会那么晦涩难懂，简直就像在做小学时期的应用题。
下面，我们再来看看高端大气的TP\FP\FN\TN在这个例子中分别代表什么。
TP = True Positive = “预测准确” 的 “预测结果为有马的图片” = 250
FP = False Positive = “预测错误” 的 “预测结果为有马的图片” = 150
这里暂停一下，聪明的发现，TP+FP=400，也就是预测结果为有马的图片的数量。好了，继续
TN = True Negative = “预测准确” 的 “预测结果为没有马的图片” = 550
FN = True Positive = “预测错误” 的 “预测结果为没有马的图片” = 50
在暂停一下，TN+FN=600，也就是预测结果为没有马的图片的数量。

好好消化一下，下面在讲Precision和Recall

Precision 和 Recall

Precision =TP/(TP+FP) = 62.5%
Recall = TP/(TP+FN) = 83.3%
聪明的你发现了吗，Precision不就是上面说的准确率嘛。而Recall呢，就是（1-漏检率）嘛。小学的应用题硬生生的变成了大学的奥数题，我的天。
也就是说，Precision和Recall都是越大越好，而最大不会超过100%。
Precision，对应误检率，Precision高了，误检就少了。
Recall，对应漏检率，Recall高了，漏检就少了。