基础指标

		预测值
		True	False
真 实 值	True	TP 被正确地划分为正例的个数 即实际为正例且被分类器划分为正例的实例数 True ->True	TN 被错误地划分为负例的个数 即实际为正例但被分类器划分为负例的实例数 True ->False
	False	FP 被错误地划分为正例的个数 即实际为负例但被分类器划分为正例的实例数 False ->True	FN 被正确地划分为负例的个数 即实际为负例且被分类器划分为负例的实例数 False ->False

precision 准确率（P）

预测样本中实际正样本数 / 所有的正样本数

公式：   precision=TP/（TP+FP）

recall 召回率（R）

预测样本中实际正样本数 / 预测的样本数

公式：  Recall=TP/(TP+FN)=TP/P

P-R曲线

P-R曲线即 以 precision 和 recall 作为 纵、横轴坐标 的二维曲线。通过选取不同阈值时对应的精度和召回率画出。一般来说，precision和recall是鱼与熊掌的关系，往往召回率越高，准确率越低

AP值

P-R曲线围起来的面积就是AP值，通常来说一个越好的分类器，AP值越高

mAP 多分类

就是所有类AP的平均值

IOU（交并比）

Intersection-over-Union 是目标检测中使用的一个概念，是一种测量在特定数据集中检测相应物体准确度的一个标准。IOU表示了产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率或者说重叠度，也就是它们的交集与并集的比值。相关度越高该值。最理想情况是完全重叠，即比值为1。