对于Precision值,其代表的是你 所预测出来准确结果占 “所有预测结果” 的准确性;
对于Recall值,其代表的是你 所预测出来准确结果占 “总体正样本” 的准确性。
举例:
现在你手上有10个鸡蛋,里面有6个是好的,另外4个是坏的,你训练出一个模型,检测出8个鸡蛋是好的,但实际上只有5个是好的,另外3个是坏的。那么模型的Precision值为5/8=0.625,即表示你所预测出来的8个鸡蛋中只有5个是好的,其值只在你预测结果中计算得到,Recall值为5/6=0.833,即表示总共有6个正样本,你预测出来5个,表示的是你预测出来的正样本占总正样本的比例。(正样本理解为你要检测的目标)
即可以这样简单记为:
recall也叫召回率,记做R,表示你预测的结果中有多少正样本被正确检测出来,当R=100%的时候,表示没有漏检;
precision也叫精确率,记做P,表示你预测的结果中有多少样本是正确的,当P=100%的时候,表示没有误检。
清楚这个,我们就能根据不同的任务来对应提高Precision或者Recall值,一般来说,提高一个,另一个的值则会降低。所以AP曲线是由Recall和Precision两个维度下曲线下面包围的面积,一般Recall比较低的时候,Precision比较高,Recall比较高的时候,Precision会比较低。
参考链接:
- 知乎Mario:目标检测中的Precision和Recall