TP FN FP TN ROC !! mAP计算

Rachel-Zhang写的TP FN FP TN ROC 

True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率

True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率

False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率

False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率

True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） 

TPR = TP /（TP + FN） 

正样本预测结果数 / 正样本实际数

True Negative Rate（真负率 , TNR）或特指度（specificity） 

TNR = TN /（TN + FP） 

负样本预测结果数 / 负样本实际数

False Positive Rate （假正率, FPR） 

FPR = FP /（FP + TN） 

被预测为正的负样本结果数 /负样本实际数

False Negative Rate（假负率 , FNR） 

FNR = FN /（TP + FN） 

被预测为负的正样本结果数 / 正样本实际数

精确度（Precision）： 

P = TP/(TP+FP) ; 反映了被分类器判定的正例中真正的正例样本的比重

准确率（Accuracy） 

A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN);

反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负

召回率(Recall)，也称为 True Positive Rate: 

R = TP/(TP+FN) = 1 - FN/T; 反映了被正确判定的正例占总的正例的比重

http://www.cnblogs.com/lvpengms/p/3806390.html

作者：水哥

链接：https://www.zhihu.com/question/41540197/answer/91698989

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

在图像中，尤其是分类问题中应用AP，是一种评价ranking方式好不好的指标：

举例来说，我有一个两类分类问题，分别5个样本，如果这个分类器性能达到完美的话，ranking结果应该是+1，+1，+1，+1，+1，-1，-1，-1，-1，-1.

但是分类器预测的label，和实际的score肯定不会这么完美。按照从大到小来打分，我们可以计算两个指标：precision和recall。比如分类器认为打分由高到低选择了前四个，实际上这里面只有两个是正样本。此时的recall就是2（你能包住的正样本数）/5（总共的正样本数）=0.4，precision是2（你选对了的）/4（总共选的）=0.5.

图像分类中，这个打分score可以由SVM得到：s=w^Tx+b就是每一个样本的分数。

从上面的例子可以看出，其实precision，recall都是选多少个样本k的函数，很容易想到，如果我总共有1000个样本，那么我就可以像这样计算1000对P-R，并且把他们画出来，这就是PR曲线：

这里有一个趋势，recall越高，precision越低。这是很合理的，因为假如说我把1000个全拿进来，那肯定正样本都包住了，recall=1，但是此时precision就很小了，因为我全部认为他们是正样本。recall=1时的precision的数值，等于正样本所占的比例。

所以AP，average precision，就是这个曲线下的面积，这里average，等于是对recall取平均。而mean average precision的mean，是对所有类别取平均（每一个类当做一次二分类任务）。现在的图像分类论文基本都是用mAP作为标准。

上图中有一个AP11，这是把recall从0,0.1,0.2.一直到1.0的11个点的precision取平均得到的结果。VOC08之后AP11已经被抛弃了。

貌似从VOC08之后要求PR曲线必须单调下降了？这个不太确定。

================================================

1.使用AP会比accuracy要合理。对于accuracy，如果有9个负样本和一个正样本，那么即使分类器什么都不做全部判定为负样本accuracy也有90%。但是对于AP，recall=1那个点precision会掉到0.1.曲线下面积就会反映出来。

2.在实际中计算AP时，如果是matlab的话，可以直接调用vl_feat中的vl_pr：VLFeat - Tutorials

这里面详细地给出了概念的解释以及计算方式。

RP曲线，参考如下链接
http://www.cnblogs.com/charlesblc/p/6252759.html