人脸识别中常用的评价指标
几个比较重要的定义，用于评估二分类问题的预测结果
| 相关 | 不相关 | |
|---|---|---|
| 预测到的 | A(tp) | B(fp) 误报 |
| 没预测到的 | C(fn)漏报 | D(tn) |
参考资料：https://blog.csdn.net/aws3217150/article/details/50479457
1)准确率：（对的对，错的错的比例）(A+D)/(A+B+C+D)
2)精确率,即查准：查到的是准的）precision§ = A/(A+B) 你的预测有多少是对的 （人脸识别中，这个值越大，误检越少），是针对你的预测结果而言的
3)召回率 Recall ®（查全：查到的占全部的比例）= A/(A+C) 你的预测在正确的覆盖了多少 （人脸识别中，这个值越大，漏检越少）,是针对于样本而言的
4)F1值，它是Precision和Recall的调和平均。公司为：2/(F1)=1/P+1/R；即(F1)=2tp/(2tp+fp+fn)
当Recall和Precision大时,F1值也大
5)ROC curve
接收者操作特征曲线（Receiver Operating Characteristic curve):
纵轴：在所有人脸中，被预测为人脸的比例： recall =A/(A+C)，也叫 validation rate(VR), true positive rate (TPR), sensitivity recall。
横轴：在所有非人脸中，被预测为人脸的比例, 也叫 false accept rate (FAR) = B/(B+D), false positive rate(FPR)。
ROC曲线越靠近左上角越好
6)IoU
IoU这一值，可以理解为系统预测出来的框与原来图片中标记的框的重合程度。 即检测结果Detection Result与 Ground Truth 的交集比上它们的并集，即为检测的准确率：
如下图所示：
蓝色的框是：GroundTruth
黄色的框是：DetectionResult
绿色的框是：DetectionResult ⋂ GroundTruth
红色的框是：DetectionResult ⋃ GroundTruth
7)AUC（曲线下面积）:一种考虑到所有可能的分类阈值的评估标准。ROC 曲线下面积代表分类器随机预测真正类（Ture Positives）要比假正类（False Positives）概率大的确信度。