虽然已经了解了准确率，精准率，召回率，平均精度AP, mAP的概念，但有时经常不用，等到用上的时候，还是会犯湖涂，有点儿混乱，所以索性自己写一个例子。
| 混淆矩阵 | Positive | Negative |
| True | TP, 真正例 预测为正，实际也为正 |
TN, 真负例 预测为负，实际为负 |
| False | FP, 假正例 预测为正，实际为负 |
FN, 假负例 预测为负，实际为正 |
True/False, 不是指样本是正是负，而是指判断是否正确。
例:
假如样本数量100，正样本20，负样本80；现在进行100次预测，预测结果如下:
TP = 15, FP = 30, TN = 50, FN = 5;
一、
P(Precision)，精准率，P = TP / (TP + FP)
怎么理解精准率呢，分母都有P，是站在预测的角度，对于我们关注的正样本而言。
在我们预测为正样本的次数中，预测正确的记为TP（确实是正例，而且预测也为正例）；
在我们预测为正样本的次数中，除了TP外，还有预测错误的情况，就是FP（预测正例，但实际并负例）；
这么理解就容易了，对于我们关注的正样本，我们预测正确的次数占我们所有预测为正样本次数的比例，就是精准率，对于负样本，我们不关心；
比如我们通过拍片判断某人是否得了癌症，AI去判断的话，那么我们就只是关心有癌症的情况；
对于例题, P = 15 / (15 + 30) = 0.33
二、
R(Recall)，召回率，R = TP / (TP + FN)
怎么理解召回率呢，分母TP是预测为正实际也为正，FN是预测为负实际为正，共性就是实际都为正，它是站在样本的角度来看的。
也就是对于我们关心的正样本而言，对于所有的正样本数量，被你判断出来的比例。
例题中，有20个正样本，被你判断出来的TP = 15，还有5个判断错了(FN)
所以R = 15 / 20 = 0.75
Question:
召回率高，准确率为什么会低呢？
我举个特殊情况，方便快速理解。对于例题中的100次预测，如果我全部预测为P，那么TP=20, FP=80, TN=0, FN=0
召回率R = 20 / (20 + 0) = 1，也就是老子瞎猜它全是正的，老子全选C，把所有正样本都找出来了，但是负样本也同样全部被认成是正样本了；
此时，精准率P = 20 / (20 + 80) = 0.2，也就是预测了100次正例，只有20次对了，精准率很低；
Question:
精准率高，召回率为什么会低呢？
我也举个特殊情况，对于例题中的100次预测，如果我全部预测1次为P，99次为N，可能恰好这个P是预测正确的，即TP = 1, FP = 0, TN = 80, FN = 19
那么精准率P = 1 / (1 + 0) = 1， 召回率R = 1 / (1 + 19) = 0.2
也就是我这么预测，对于预测为正的次数中，我是一击即中，再击没有了，做了回一秒真男人，但是总共有20个正样本，我只找出了1个，所以召回率就低了。
还是那句话:
精准率是站在预测的角度，召回率是站在样本的角度
三、
ACC(Accuracy)，准确率；
前面精准率，召回率，都是关注点在正样本上，但是对于分类任务来说，预测正确与否，不单单是看正样本，负样本你预测为负，那也是一种正确。
所以，准确率是考虑所有样本，所有预测情况。
ACC = (TP + TN) / (TP + TN + FP + FN) = （15 + 50）/ (15 + 30 + 50 + 5) = 0.65
四、
AP(Average Precision)，平均精度
这个写得蛮好，看这个吧