AP、mAP、F1 Score、PR曲线、ROC曲线

1. 基础概念

混淆矩阵：

通过研究该混淆矩阵，可以构造如下几个指标：
(1) Accuracy(准确度)：

• 意义：用于同时衡量分类器对于正负样本的分类正确性。
• 不足：当测试样本不平衡时，该指标会失去意义。例如：100个样本中负样本占有98个，那么分类器只需将所有样本分为负类即可达到98%的准确度。
• 公式：$accuracy=\frac{TP+FN}{TP+FN+FP+TN}$

(2) Precesion(精确度)：

• 意义：衡量分类器对于正样本的查准率，表示分类器对于正负样本的区分能力。当区分能力强时，容易将部分（与负样本相似度高）正样本排除。
• 公式：$precesion=\frac{TP}{TP+FP}$

(3) Recall(召回率)、敏感性：

• 意义：衡量分类器对于正样本的查全率，表示分类器对于正样本的敏感度或覆盖度。当敏感度高时，容易将部分（与正样本相似度高）负样本也判断为正样本。
• 公式：$recall=$