精度(precision)，召回率(recall)，map

目標檢測中經常會見到precision，recall，map三個指標用來評估一個模型的優劣，當然在很多其他的應用中也可以看到這三個指標的具體應用；因此很有必要對這三個指標進行詳細的瞭解。在介紹這三個指標之前有必要先了解幾個基本的術語：True positives，True negatives，False positives，False negative。

大雁和飛機
假設現有一個測試集，測試集中僅包含大雁和飛機兩種目標，如圖所示：

假設分類的目標是：取出測試集中所有飛機圖片，而非大雁圖片
現做如下定義：
True positives: 飛機的圖片被正確識別為飛機
True negatives：大雁的圖片被識別為大雁
False positives：大雁的圖片被識別為飛機
False negatives：飛機的圖片被識別為大雁

假設分類系統使用上述假設識別出了四個結果，如下圖所示：

識別為飛機的圖片中：
True positives：有三個，畫綠色框的飛機
False positives：有一個，畫紅色框的大雁

識別為大雁的圖片中：
True negatives：有四個，這四個大雁的圖片被識別為大雁
False negatives：有兩個，這兩個飛機被識別為大雁

Precision與Recall
Precision其實就是識別為飛機的圖片中，True positives所佔的比率：
precision = tp / (tp + fp) = tp / n
其中n表示(True positives + False positives)，也就是系統一個識別為飛機的圖片數。該例子中，True positives為3，False positives為1，所以precision = 3 / (3 + 1) = 0.75，意味著識別為飛機的圖片中，真正為飛機的圖片佔比為0.75。

Recall是被正確識別出來飛機個數與測試集中所有真正飛機個數的比值：
recall = tp / (tp + fn)
Recall的分母是(True positives + False negatives)，這兩個值的和，可以理解為一共有多少張真正的飛機圖片。該例子中，True positives為3，False negatives為2，那麼recall的值是3 / (3 + 2) = 0.6；即所有飛機圖片中，0.6的飛機被正確識別為飛機。

調整閾值
當然對某一個具體的模型而言precision和recall並不是一成不變的，而是隨著閾值的改變而改變的。當閾值以某一步伐從0變化到1，那麼就可以得到關於precision和recall生成的曲線，具體示意圖如下：

上圖為一個pr曲線的例子，並不表示上面例子的pr曲線結果，從pr曲線可以看到precision和recall是相反的，因而在實際專案當中需要根據具體的情況來選取合適的閾值。