深度学习指标理解

文本对深度学习的几个指标进行了简单理解。对于mAP和AP的理解可能存在问题，希望看到的大佬可以帮我指出。

正文

在一个数据集检测中，会产生四类检测结果：
TP、TN、FP、FN
T-true 表示正确
F-False 表示错误
P-Positive 表示积极的，看成正例
N-Negative 表示消极的，看成负例

后面为预测结果，前面为预测结果的正确性

T P—— 预测为 P （正例）, 预测对了， 本来是正样本，检测为正样本（真阳性）。
T N—— 预测为 N （负例）, 预测对了， 本来是负样本，检测为负样本（真阴性）。
F P—— 预测为 P （正例）, 预测错了， 本来是负样本，检测为正样本（假阳性）。
F N—— 预测为 N （负例）, 预测错了， 本来是正样本，检测为负样本（假阴性）。

召回率（Recall）：
表示的是样本中的正例有多少被预测正确了（找得全）。所有正例中被正确预测出来的比例。

精确率(Precision)：
表示的是预测为正的样本中有多少是真正的正样本（找得对）。预测结果中真正的正例的比例。

mAP和AP：
简单理解，PR曲线下的面积就是AP，对所有类别的AP计算并求平均值就是mAP。

PR曲线表示召回率和准确率的关系，在坐标轴上分别以准确率和召回率为纵横坐标构建二维曲线。
精度越高，召回率越低。曲线所围面积越大越好。

PR曲线示例：