我们查体的时候，经常会听说检测结果呈”真阳性“、”假阴性“等说法。

一共四种组合：

准确率（Accuracy）计算公式为：

a = T P + T N T P + T N + F P + F N a=\frac{TP+TN}{TP+TN+FP+FN} a=TP+TN+FP+FNTP+TN​

准确率，就是在全部预测中，正确预测结果占的比例。

精度（Precision）计算公式为：

p = T P T P + F P p=\frac{TP}{TP+FP} p=TP+FPTP​

精度，就是在全部阳性预测中，正确预测结果占的比例。比如，你预报了10次下雨，结果只下了3次，你的预报精度就是 0.3，因为 T P = 3 , F P = 7 TP=3,FP=7 TP=3,FP=7。

我平时很喜欢误报率这个指标，误报率这个说法很容易理解，一些工业标准常用这个概念，不知道为什么学术界不愿意用。误报率定义如下： q = F P T P + F P = 1 − p q=\frac{FP}{TP+FP}=1-p q=TP+FPFP​=1−p

精度与误报率正好相反的两个概念。比如，你预报了10次下雨，结果只下了3次，你的误报率就是 0.7。

召回率（Recall）计算公式为：

r = T P T P + F N = T P P r=\frac{TP}{TP+FN}=\frac{TP}P r=TP+FNTP​=PTP​

召回率，就是在全部阳性事件中，正确预测结果占的比例。比如，下了10次雨，结果你只正确预报了 2 次，你的预报的召回率就是 0.2，因为 T P = 2 , F N = 8 , P = 10 TP=2,FN=8,P=10 TP=2,FN=8,P=10。

与召回率相反的概念是漏报率，定义如下： s = F N T P + F N = F N P = 1 − r s=\frac{FN}{TP+FN}=\frac{FN}P=1-r s=TP+FNFN​=PFN​=1−r

比如，下了10次雨，结果你只正确预报了 2 次，你的预报的漏报率就是 0.8，

精度 p 和召回率 r 是两个矛盾的测量指标。

如果我们希望精度提升，即，降低误报率，但是，这样一来就会提升漏报率，也就是召回率下降。反之亦然。同一个算法，其精度和召回率的关系大致可以用下面的图象来表示，下面的函数 p ( r ) p(r) p(r) 曲线称为 ROC 曲线。 最理想的情况是，精度 p 和召回率 r 能同时取得无限接近1的结果。因此，我们希望ROC曲线下方覆盖的面积无限接近 1。我们把ROC取下下方的面积称为检测算法的平均精度，即，AP。 A P = ∫ 0 1 p ( r ) d r AP=\int_0^1p(r)dr AP=∫01​p(r)dr

大部分情况下，一个算法要检测多个类别的目标，要计算 mAP，就把所有类别的 AP 计算出来，然后求取平均即可。

也就是说 mAP 是算法对所有类别的检测平均精度AP的平均值。mAP 的英文是 mean average precision。