map平均准确率_（三十七）通俗易懂理解——模型评价指标（混淆矩阵、目标检测AP与mAP、PR曲线）...

这个问题困扰我挺久，一度还理解错混淆矩阵的含义，每次记住一会没多久又忘了，而目标检测的AP与mAP问题又一直模模糊糊的，今天终于比较清晰地理解了，感谢网络上各网友无私而又丰富的知识分享。

混淆矩阵的定义

混淆矩阵（Confusion Matrix），它的本质远没有它的名字听上去那么拉风。矩阵，可以理解为就是一张表格，混淆矩阵其实就是一张表格而已。

以分类模型中最简单的二分类为例，对于这种问题，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。

TP: 将正类预测为正类数；TN: 将负类预测为负类数；

FP: 将负类预测为正类数（错报）；FN: 将正类预测为负类数（漏报）。

此前一直要记混这4个词的含义，实际应该这么来记：

TP为例，意思是预测为P，即正类，结果为T，即正确，那么这个物体就真的为正类；FN为例，意思是预测为N，即负类，结果为F，即错误了，那么这个物体实际上就是正类；FP为例，意思是预测为P，即正类，结果为F，即错误了，那么这个物体实际上就是负类。

以上这么去看待，就几乎不会记混了。

准确率(Accuracy): ACC=(TP+TN)/(TP+TN+FP+FN)

TP+TN：预测为正类和预测为负类结果都对了的数量，相当于就是预测结果中，预测对了的数量。这个需要自己去体会一下。

精确率(Precision): P=TP/(TP+FP)（分类后的结果中正类的占比）

TP+FP：预测为正的数量。精确率就是说预测为正的数量当中，实际物体也是正类的比例。

召回率(Recall): R=TP/(TP+FN)（所有正例被分对的比例，也称灵敏度）

TP+FN：实际为正的数量。召回率就是说实际上为正的数量当中，被预测为正的数量比例。

特异度(Specificity):S=TN/(TN+FP)（所有负类被分对的比例）

F1 Score：F1=2PR/(P+R)

其中，P代表Precision，R代表Recall。

F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。

混淆矩阵的实例

当分类问题是二分问题是，混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候，混淆矩阵同时适用。

一下面的混淆矩阵为例，我们的模型目的是为了预测样本是什么动物，这是我们的