深度学习评价指标Precision和Recall

原文：https://zhuanlan.zhihu.com/p/91206205

另一解释：https://www.cnblogs.com/pprp/p/11241954.html

常用的性能评价指标有Precision，Recall和F1 score。

当面对不同的任务时，该如何提高recall和precision？

思考：对于Precision值，其代表的是你所预测出来准确结果占所有预测结果的准确性，对于Recall值，其代表的是你所预测出来准确结果占总体正样本的准确性。这样说有点难理解，举个例子吧。现在你手上有10个鸡蛋，里面有6个是好的，另外4个是坏的，你训练出一个模型，检测出8个鸡蛋是好的，但实际上只有5个是好的，另外3个是坏的。那么模型的Precision值为5/8=0.625，即表示你所预测出来的8个鸡蛋中只有5个是好的，其值只在你预测结果中计算得到，Recall值为5/6=0.833，即表示总共有6个正样本，你预测出来5个，表示的是你预测出来的正样本占总正样本的比例。(正样本理解为你要检测的目标)

即可以这样简单记为：

recall也叫召回率，记做R，表示你预测的结果中有多少正样本被正确检测出来，当R=100%的时候，表示没有漏检；

precision也叫精确率，记做P，表示你预测的结果中有多少样本是正确的，当P=100%的时候，表示没有误检。

清楚这个，我们就能根据不同的任务来对应提高Precision或者Recall值，一般来说，提高一个，另一个的值则会降低。所以AP曲线是由Recall和Precision两个维度下曲线下面包围的面积，一般Recall比较低的时候，Precision比较高，Recall比较高的时候，Precision会比较低。

对于MAP，上面所诉表示对于每一类计算的AP值，如果你有检测多个类别，比如猫，狗等，那么再取个mean，就得到MAP。那么对于MMAP，这里需要再解释一下什么是预测的正样本，当我们回归的框与真实的Groundtruth的框之间的IOU大于0.5时，我们就认为这个预测的框是准确的（首先要保证分类得分大于设定的阈值）这个一般是大家都默认遵守的。那么在coco数据后，会针对不同的IOU阈值（如0.5，0.6，…，0.9等）得到不同的MAP，综合考虑计算即得到MMAP值。

从算法层面：a. 对于想提高Precision，使得二分类器预测的正例尽可能是真实正例，那么应该提高二分类器预测正例的阈值，使得预测出来的结果尽可能是正确的；对于想提高Recall，使得二分类器尽可能将真实的正例挑选出来，那么应该降低二分类器预测正例阈值，使得预测出来的结果尽可能包含更多的正样本，即可以简单调整socre的阈值。

从数据层面：a. 对于想提高Precision，无非是你的模型对于某些样本检测错误，理解为对某些样本的拟合能力不足，那么在训练过程中做好(在线/离线)数据增强，让模型有足够的泛化能力，即可提高Precision；对于想提高Recall，无非是有些样本没有正确检测出来，即难样本过多，可以进行在线难例挖掘和挑出难例样本继续训练以提高模型能力。 (注意这里的检测错误和没有检测出来是两个概念)