召回率（Recall），精确率（Precision），交除并（Intersection-over-Union（IoU）

简介

做一下记录，方便查看

召回率和精准率

混淆矩阵

• True Positive(真正, TP)：将正类预测为正类数.
• True Negative(真负 , TN)：将负类预测为负类数.
• False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
• False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).

精确率(precision)定义为：

                                         

需要注意的是精确率(precision)和准确率(accuracy)是不一样的，

                                    

 召回率(recall,sensitivity,true positive rate)定义为：

                                   

实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。

而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

参考地址http://charleshm.github.io/2016/03/Model-Performance/#fn:1

交除并（Intersection-over-Union（IoU）

交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。

参考地址https://www.lao-wang.com/?p=114