精度(precision)，召回率(recall)，map

目标检测中经常会见到precision，recall，map三个指标用来评估一个模型的优劣，当然在很多其他的应用中也可以看到这三个指标的具体应用；因此很有必要对这三个指标进行详细的了解。在介绍这三个指标之前有必要先了解几个基本的术语：True positives，True negatives，False positives，False negative。

大雁和飞机
假设现有一个测试集，测试集中仅包含大雁和飞机两种目标，如图所示：

假设分类的目标是：取出测试集中所有飞机图片，而非大雁图片
现做如下定义：
True positives: 飞机的图片被正确识别为飞机
True negatives：大雁的图片被识别为大雁
False positives：大雁的图片被识别为飞机
False negatives：飞机的图片被识别为大雁

假设分类系统使用上述假设识别出了四个结果，如下图所示：

识别为飞机的图片中：
True positives：有三个，画绿色框的飞机
False positives：有一个，画红色框的大雁

识别为大雁的图片中：
True negatives：有四个，这四个大雁的图片被识别为大雁
False negatives：有两个，这两个飞机被识别为大雁

Precision与Recall
Precision其实就是识别为飞机的图片中，True positives所占的比率：
precision = tp / (tp + fp) = tp / n
其中n表示(True positives + False positives)，也就是系统一个识别为飞机的图片数。该例子中，True positives为3，False positives为1，所以precision = 3 / (3 + 1) = 0.75，意味着识别为飞机的图片中，真正为飞机的图片占比为0.75。

Recall是被正确识别出来飞机个数与测试集中所有真正飞机个数的比值：
recall = tp / (tp + fn)
Recall的分母是(True positives + False negatives)，这两个值的和，可以理解为一共有多少张真正的飞机图片。该例子中，True positives为3，False negatives为2，那么recall的值是3 / (3 + 2) = 0.6；即所有飞机图片中，0.6的飞机被正确识别为飞机。

调整阈值
当然对某一个具体的模型而言precision和recall并不是一成不变的，而是随着阈值的改变而改变的。当阈值以某一步伐从0变化到1，那么就可以得到关于precision和recall生成的曲线，具体示意图如下：

上图为一个pr曲线的例子，并不表示上面例子的pr曲线结果，从pr曲线可以看到precision和recall是相反的，因而在实际项目当中需要根据具体的情况来选取合适的阈值。