召回率（Recall），精确率（Precision），交除并（Intersection-over-Union（IoU）

简介

做一下记录，方便查看

召回率和精准率

混淆矩阵

True Positive(真正, TP)：将正类预测为正类数.
True Negative(真负 , TN)：将负类预测为负类数.
False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).

精确率(precision)定义为：

需要注意的是精确率(precision)和准确率(accuracy)是不一样的，

召回率(recall,sensitivity,true positive rate)定义为：

实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。

而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

参考地址http://charleshm.github.io/2016/03/Model-Performance/#fn:1

自己的感悟

刚开始记录的时候，理解还不是很深。有时真的想不通，怎么会出现正样本和负样本这么一种说法。比如MNSIT数据集应该都是正样本啊，哪来的样本啊。现在想明白了，关于MNIST确实只有正例，所以只有一个评价标准，那就是准确率。

然而为什么需要负例数据集呢，自己感觉应该是为了防止过拟合吧，输入的数据越丰富，那么模型的泛化能力更好。

然而怎么才能产生负例数据呢，关于目标检测中可以将产生的候选框，参考博客：https://www.cnblogs.com/rainsoul/p/6247779.html

在检测的问题中，我理解着就不是那么简单了，因为检测问题需要做的事情是指出哪里有什么，也就是既要给出框，又要说明框中是什么，在这种情况下，我们所具备的数据就是一些人工标注的图片，这些图片上有框，并且会给出框中的物体类别，我们需要运用这些数据生成训练中的正负样本数据，参考了faster以及SSD两种检测框架中对于正负样本的选取准则，我的理解如下：

首先，检测问题中的正负样本并非人工标注的那些框框，而是程序中（网络）生成出来的框框，也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默认框，这些框中的一部分被选为正样本，一部分被选为负样本，另外一部分被当作背景或者不参与运算。不同的框架有不同的策略，大致都是根据IOU的值，选取个阈值范围进行判定，在训练的过程中还需要注意均衡正负样本之间的比例。

我理解着，在fast的框架中，也是需要多SS算法生成的框框与GT框进行IOU的判断，进而选取正负样本，总之，正负样本都是针对于程序生成的框框而言，而非GT数据

交除并（Intersection-over-Union（IoU）

交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。

参考地址https://www.lao-wang.com/?p=114