1.定义
精确度（precision）/查准率：TP/（TP+FP）=TP/P 预测为真中，实际为正样本的概率
召回率（recall）/查全率：TP/（TP+FN） 正样本中，被识别为真的概率
假阳率（False positive rate）：FPR = FP/(FP+TN) 负样本中，被识别为真的概率
真阳率（True positive rate）：TPR = TP/（TP+FN） 正样本中，能被识别为真的概率
准确率（accuracy）：ACC =（TP+TN）/(P+N) 所有样本中，能被正确识别的概率
宏查X率：先计算查X率，后计算平均
微查X率：先计算TP等平均，后计算查X率
丢失率（missrate ）/漏警率：MA = 1-recall=FN/(TP+FN)
虚警率(FalseAlarm )：FA=FP/(FP+TP)
ground truch:TP+FN
model result：TP+FP
P：precision，预测正确的个数/测试总个数
AP：average precision，每一类别P值的平均值
MAP：mean average precision，对所有类别的AP取均值
2.评价指标
2.1P-R曲线/查准率-查全率曲线/精确度-召回率曲线
纵轴为精确度P，横轴为召回率R，单调减少。好的模型应该是在recall增长的同时保持precision的值在一个很高的水平，而性能较差的模型要损失很多precision才能换来recall值的提高。
评价指标一：BEP平衡点（Break-Even Point）
可用平衡点（P=R时的取值）度量，平衡点取值高的学习器更优。
评价指标二：Fβ度量
Fβ=（1+β^2）*P*R/[(β^2*P)+R]
F1=2*P*R/(P+R)
其中β（>0）用来衡量查全率和查准率之间的相对重要性，β>1时查全率R更重要，β<1时查准率P更重要
评价指标三：mAP
mAP，mean average precision，其中的AP就是这个曲线下的面积，average是对recall取平均，mean是对所有类别取平均（每一个类当做一次二分类任务）
2.2ROC曲线
纵轴为真阳率TPR，横轴为假阳率FPR，单调增加，越抖越好，由于样本数有限一般是锯齿状的。按照计算值排序后把样本一个一个当做正例预测。
评价指标：AUC
ROC下的面积，计算公式可简记为，多个矩形面积之和 。
2.3 代价敏感错误率，代价曲线
不同的错误导致非均等代价
2.4FPPW（False Positive Per Window）
给定一定数量的负样本，计算：
FPPW=FP/图片集大小N
这里的FP是对于图的概念，比如在识别猫时，把负样本狗识别为猫
2.5FPPI（False Positive Per Image）
FPPI=FP/图片集大小N
这里的FP是对于bounding box的概念，比如在行人识别时，一张图会出现多个人，根据识别结果和gt的iou判断TP还是FP，统计FP总次数
2.6 fppi-missrate曲线
横轴为fppi，纵轴为missrate，根据fppi下的missrate 的MR = np.exp(np.log(score).mean())
参考网址：
https://blog.csdn.net/lydia2012924/article/details/78088336/
https://blog.csdn.net/u014380165/article/details/77493978
扩充阅读：
https://en.wikipedia.org/wiki/Sensitivity_and_specificity