precision，recall，sensitivity， specificity ，mAP等几种评价指标

1.图像分类准确率Accuracy

假设有测试样本100张图像，其中有90张预测对了类别，则准确率为：
Accuracy = 90/100*100% = 90%

2.Accuracy的缺点

假设测试样本100张，其中正例90张，负例10张，我们预测（瞎猜）所有的样本都是正例，那么可以得到准确率为：90%。（纳尼？瞎猜都能这么高？）可见这么高的准确率是没什么意义的。
总结：样本的不均衡是会影响模型的性能的。

3.什么是precision、recall以及F1指标、ROC曲线

这里引入一张表格，如下所示：

注：这里可以这样记忆
TP：P表示你预测的Positive，T（True）表示你预测正确，TP表示你把正样本预测为正样本
FP：P表示你预测的Positive，F（False）表示你预测错误，FP表示你把负样本预测为正样本
TN：N表示你预测的Negative，T（True）表示你预测正确，TN表示你把负样本预测为负样本
FN：N表示你预测的Negative，F（False）表示你预测错误，FP表示你把正样本预测为负样本

precision = TP / (TP + FP)
precision表示精确率，针对的是你所预测的正样本中，预测正确的正样本（即把正样本预测为正样本）占的比例。精确率越高，表示找的越准。

recall = TP / (TP + FN)
recall表示召回率， 针对的是所有的正样本中，预测正确的正样本（即把正样本预测为正样本）占的比例。召回率越高，表示找的越全。

sensitivity = TP / (TP + FN)
sensitivity 表示灵敏度，表示对正例的预测能力（越高越好），数值上等于召回率。

specificity = TN / (TN + FP)
specificity 表示特异度，表示对负例的预测能力（越高越好）。

可以看到sensitivity 、specificity 就是归一化混淆矩阵对角线上的值。

F1 = 2 * precision * recall / (precision + recall)
F1指标综合考虑了precision和recall的影响，两者之一太小都会使得F1的值变小。

ROC曲线：
ROC曲线是以fp rate为横坐标，tp rate为纵坐标画的曲线，如下图所示：
注：该图来自博文 https://blog.csdn.net/u013063099/article/details/80964865

其中：
fp rate = FP / (FP + TN)，表示假阳率。指的是你预测为正实际为负的样本占所有负样本的比例。
tp rate = TP / (TP + FN)，表示真阳率。指的是你预测为正实际也为正的样本占所有正样本的比例。

AUC (Area Under Curve)
AUC表示的是ROC曲线下的面积。

举个例子ROC曲线的绘制过程说明：（2021.3.6补充）

• 对于某个类别，我们预测出有20个样本属于该类别，每个样本对应一个confidence（就是预测得到的概率），其中有6个样本是预测正确的。我们按照confidence的大小从大到小进行排序，如下表所示：
  

• 以第一个样本的confidence作为阈值，大于等于0.9则判断为正样本，可得混淆矩阵为：
  
  计算可得：tpr = TP / (TP + FN) = 1 / (1 + 5) = 0.16667， fpr = FP / (FP + TN) = 0，得到ROC曲线的第一个坐标（0, 0.16667）

• 以第二个样本的confidence作为阈值，大于等于0.8则判断为正样本，可得混淆矩阵为：
  
  计算可得：tpr = TP / (TP + FN) = 2 / (2 + 4) = 0.33333， fpr = FP / (FP + TN) = 0，得到ROC曲线的第一个坐标（0, 0.33333）

• 同理可得，ROC曲线的其它坐标，由此可以画出ROC曲线。

程序如下（参考：https://blog.csdn.net/hesongzefairy/article/details/104302499）:

from sklearn.metrics import roc_curve,auc
import matplotlib.pyplot as plt

y_label = ([1, 1, 0, 0, 0, 1, 1, 0, 0, 0,\
            1, 0, 0, 0, 0, 1, 0, 0, 0, 0])

y_pre = ([0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1, 0.09,\
          0.08, 0.07, 0.06, 0.056, 0.040, 0.033, 0.03, 0.021, 0.015, 0.01])


fpr, tpr, thersholds = roc_curve(y_label, y_pre)
roc_auc = auc(fpr, tpr)  # 计算AUC值
plt.plot(fpr, tpr, 'k--', label='ROC (area = {0:.2f})'.format(roc_auc))
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc="lower right")
plt.show()

4.mAP的计算

mAP（mean Average Precision），即平均精确率均值。就是预测出每一个类别的精确率，再相加起来除以总的类别数。

举个例子说明：

• 以上面表格中的数据为例，我们按照confidence的大小对齐进行排序.

• 因为一共有6个样本的真实标签为1，因此我们可以得到6个recall的值，分别为1/6，2/6，3/6，4/6，5/6，6/6，其中每个recall的值可以对应多个precision值。

• 计算出每个recall对应的最大precision，分别为1/1，2/2，3/6，4/7，5/11，6/16，将它们相加并求平均，则可以得到该类别的AP。如下表所示。
  

• 求出每个类别的AP，再相加求平均，即可得到最后的mAP。

• 程序验证：

from sklearn.metrics import average_precision_score

y_label = ([1, 1, 0, 0, 0, 1, 1, 0, 0, 0,\
            1, 0, 0, 0, 0, 1, 0, 0, 0, 0])

y_pre = ([0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1, 0.09,\
          0.08, 0.07, 0.06, 0.056, 0.040, 0.033, 0.03, 0.021, 0.015, 0.01])

ap = average_precision_score(y_label, y_pre)
print(ap)  # 0.6501623376623377

      

验证结果正确。

5. 总结

1. 总结求mAP的过程：
   对于某个类别，将预测为正样本（TP + FN）的概率从大到小排序统计，找出每个recall对应下的最大precision，对所有precision求平均，得到该类别的AP值，对所有类别的AP值求平均，即得mAP。

结束。