本文详细介绍了精确率和召回率的概念，以及它们在目标识别中的作用。精确率表示预测为正类别的样本中实际正类的比例，召回率则表示所有正类别中被正确识别的比例。 Precision-Recall曲线展示了随着阈值变化，精确率和召回率的变化情况，用于评估分类器性能。平均精度AP是通过计算曲线下的面积来综合评价分类器在不同召回率下的精度。文章还提供了计算AP的具体步骤，并指出在增加检测框时，召回率上升可能伴随精确率下降的权衡关系。
1、精确率：你认为的正样本，有多少猜对了（猜的精确性如何）
2、召回率：正样本有多少被找出来了（召回了多少）
Precision = tp / (tp+fp)，表示在识别出的目标中，TP所占的比率。n=（tp+fp)，n表示一共识别出来多少目标，即预测为目标的数量
eg：tp=3，fp=1，Precision=3/(3+1)=0.75，表示在识别出来的目标中，目标占75%
Recall = tp / (tp+fn)，表示正确识别出来的目标个数与测试集中所有目标的个数的比值。m=(tp+fn)，m表示一共有多少目标个数，即标注为目标的数量
eg：tp=3，fn=2，Recall=3/（3+2）=0.6，表示在所有的目标中，60%的目标被正确的识别成目标
Precision-Recall曲线：
如果想评估一个分类器的性能，一个比较好的方法就是：观察当阈值变化时，Precision与Recall值的变化情况。如果一个分类器的性能比较好，那么它应该有如下的表现：被识别出的图片中飞机所占的比重比较大，并且在识别出大雁之前，尽可能多地正确识别出飞机，也就是让Recall值增长的同时保持Precision的值在一个很高的水平。而性能比较差的分类器可能会损失很多Precisio
最低0.47元/天 解锁文章
扫一扫
762
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
