目标检测——评价指标

评价指标概述

1. TP、FP、TN、FN

1.1 混淆矩阵

提到TP、FP、TN、FN，首先介绍以下混淆矩阵。
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用$n$行$n$列的矩阵形式来表示。
混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。
例如：

表1. 多类别混淆矩阵

		prediction
		Category 1	Category 2	Background
ground truth	Category 1	80	10	10
	Category 2	10	70	20
	Background	5	5	5

如表1所示：

其中，第一行第一列的80表示原本属于类1，且预测为类1的数量为80。
第二行第一列的10表示原本属于类2，且预测为类1的数量为10。
第三行第一列的5表示原本属于背景，且预测为类1的数量为5。
其余数目同理。

第一行总数80+10+10=100，表示全部原本属于类1的数目是100。
第一列总数80+10+5=95，表示全部预测为类1的数目为95。
其余数目同理。

1.2 结合混淆矩阵理解TP、FP、TN、FN

经过混淆矩阵的理解，引出TP、FP、TN、FN的定义：

• TP(True Positive): 真正例，表示预测为正例(positive)，且预测正确(true)，即原本为正例。
• FN(False Negative): 假反例，表示预测结果为反例(negative)，且预测错误(false)，即原本为正例。
• FP(False Positive): 假正例，表示预测结果为正例(positive)，且预测错误(false)，即原本为反例。
• TN(true Negative): 真反例，表示预测结果为反例(negative)，且预测正确(true)，即原本为反例。(注：用不到这个)

个人记忆的方法是，后面的字母表示预测的结果，前面的字母表示预测的正确与否。

表2. 混淆矩阵

		prediction
		正例	反例
ground truth	正例	TP(真正例)	FN(假反例)
	反例	FP(假正例)	TN(真反例)

1.3 常用指标

1.3.1 精准率（Precision）：

$$P=\frac{TP}{TP+FP}$$
精准率（Precision）又叫查准率，它是针对预测结果而言的，它的含义是在所有被预测为正的样本中实际为正的样本的概率，意思就是在预测为正样本的结果中，我们有多少把握可以预测正确。

1.3.2 召回率（Recall）：

$$R=\frac{TP}{TP+FN}$$
召回率（Recall）又叫查全率，它是针对原样本而言的，它的含义是在实际为正的样本中被预测为正样本的概率。

1.3.3 漏杀：

$$漏杀率=\frac{FN}{TP+FP}=1-P$$

漏杀率的评估方式是假反例除以总样本数。

1.3.4 过杀：

$$过杀率=\frac{FP}{TP+FP}$$

过杀率的评估方式是假正例除以总样本数。