机器学习评价指标

评价标准：

True positives（TP，真正） : 实际为正，预测为正

True negatives（TN，真负）：实际为负，预测为负

False positives（FP，假正）: 实际为负，预测为正

False negatives（FN，假负）：实际为正，预测为负

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

通俗解释： 在所有样本中，预测正确的概率

查准率（精确率Precision）：                          

 通俗解释：你认为的正样本中，有多少是真的正确的概率。体现了模型对负样本的区分能力

查全率（召回率Recall）：

 通俗解释：正样本中有多少是被找了出来。体现了模型对正样本的识别能力

P-R曲线：

AP & mAP

AP：PR 曲线下面积

mAP：mean Average Precision, 即各类别 AP 的平均值

为什么要使用AP和MAP?

我们希望一个模型的Precision和Recall都很高，所以需要综合考虑这两个因素，我们可以联想到用调和平均数F1-beta值来衡量，另一种方法正是PR曲线下的面积AUC，这也就是AP。AUC面积越接近1性能越好。曲线下的面积理解为不同召回值的情况下所有精度的平均值。

F1 score

F1 score是精确率和召回率的调和平均值，计算公式为：

Precision体现了模型对负样本的区分能力，Precision越高，模型对负样本的区分能力越强；Recall体现了模型对正样本的识别能力，Recall越高，模型对正样本的识别能力越强。F1 score是两者的综合，F1 score越高，说明模型越稳健。

参考文献：(10 封私信 / 80 条消息) 目标检测中的mAP是什么含义？ - 知乎 (zhihu.com)

sklearn计算准确率、精确率、召回率、F1 score-CSDN博客