对于二分类问题
混淆矩阵####
TP(真正例)：将正类预测为正类
FN(假反例)：将正类预测为负类
FP(假正例): 将负类预测为正类
TN(真反例): 将负类预测为负类
这么看，可能有点头晕，换个角度：
- 第一个字母(T or F)：表示预测值与真实值是否一致，一致的话为T，否则为F
- 第二个字母(P or N)：表示预测值为正(T)或者负(P)
三个常用指标
- 查准率：
\[P = \frac{TP}{TP+FP}
\]
即在所有预测为正的样本里面真实值为正样本所占的比例
- 召回率：
\[R=\frac{TP}{TP+FN}
\]
FN样本的真实标签其实为正，故分母为所有真实值为正的样本数， 即该公式表示：
所有真实值为正的样本中预测值也为正的样本数
- F1值
\[F_{1}=\frac{2}{\frac{1}{P}+\frac{1}{R}}
\]
P与R的调和均值，综合衡量的查准率与召回率
mAP####
目标检测中衡量识别精度的指标是mAP（mean average precision）。多个类别物体检测中，每一个类别都可以根据recall和precision绘制一条P-R曲线，AP就是该曲线下的面积，mAP是多个类别AP的平均值。
而P-R曲线是如何绘制的呢？
检测器输出每个检测结果都会对应一个detect confidence，我们会人为设定一个confidence阈值，如果检测结果高于confidence阈值，那预测该检测为正样本，否则为预测为负。
显然，阈值设置越高，则查准率P越高，但相应召回率R就越底，我们可以通过设置不同的阈值得到P-R曲线。
[ref] (http://blog.csdn.net/a1154761720/article/details/50864994)