准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP 的图解

机器学习的评价指标让人眼花缭乱。以前我写过一篇笔记总结了这个话题，有兴趣的可以参考一下：一分钟看懂深度学习中的准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP。

今天修改一份标准文件，发现算法测试指标定义有些不妥。反复思考后，感觉有必要再次梳理一下对这些概念的认识。

1. 算法预测结果的四种可能

算法模型的任何一次预测，只可能有四种情况：

2. 常见的五个评价指标

下图用图形化的方式，把五个常见指标的分数表达式直观地展现出来了。

3. 五个指标的计算公式

$$准确率=\frac{正确检测次数}{总检测次数}$$

$$精度=\frac{正报数}{正报数+误报数}$$

$$召回率=\frac{正报数}{正报数+漏报数}$$

机器学习领域喜欢用精度和召回率来评价算法性能，原因是，这两个指标的计算公式的分子是相同的，而分母的差异仅在于误报和漏报。从美学角度看，更简洁优美。

4. 指标的关系

$$精度+误报率=1$$

$$召回率+漏报率=1$$

5. 深入思考

如下图所示，算法精度的提升，意味着直线A向右侧移动，减少蓝色区域的面积。
如果算法精度不变，修改算法阈值，只能改变直线B的位置，也就是误报率和漏报率会发生变换，而误报和漏报的总量不会发生变化。