深度學習評價名額Precision和Recall

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

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

常用的性能評價名額有Precision，Recall和F1 score。

當面對不同的任務時，該如何提高recall和precision？

思考：對于Precision值，其代表的是你所預測出來準确結果占所有預測結果的準确性，對于Recall值，其代表的是你所預測出來準确結果占總體正樣本的準确性。這樣說有點難了解，舉個例子吧。現在你手上有10個雞蛋，裡面有6個是好的，另外4個是壞的，你訓練出一個模型，檢測出8個雞蛋是好的，但實際上隻有5個是好的，另外3個是壞的。那麼模型的Precision值為5/8=0.625，即表示你所預測出來的8個雞蛋中隻有5個是好的，其值隻在你預測結果中計算得到，Recall值為5/6=0.833，即表示總共有6個正樣本，你預測出來5個，表示的是你預測出來的正樣本占總正樣本的比例。(正樣本了解為你要檢測的目标)

即可以這樣簡單記為：

recall也叫召回率，記做R，表示你預測的結果中有多少正樣本被正确檢測出來，當R=100%的時候，表示沒有漏檢；

precision也叫精确率，記做P，表示你預測的結果中有多少樣本是正确的，當P=100%的時候，表示沒有誤檢。

清楚這個，我們就能根據不同的任務來對應提高Precision或者Recall值，一般來說，提高一個，另一個的值則會降低。是以AP曲線是由Recall和Precision兩個次元下曲線下面包圍的面積，一般Recall比較低的時候，Precision比較高，Recall比較高的時候，Precision會比較低。

對于MAP，上面所訴表示對于每一類計算的AP值，如果你有檢測多個類别，比如貓，狗等，那麼再取個mean，就得到MAP。那麼對于MMAP，這裡需要再解釋一下什麼是預測的正樣本，當我們回歸的框與真實的Groundtruth的框之間的IOU大于0.5時，我們就認為這個預測的框是準确的（首先要保證分類得分大于設定的門檻值）這個一般是大家都預設遵守的。那麼在coco資料後，會針對不同的IOU門檻值（如0.5，0.6，…，0.9等）得到不同的MAP，綜合考慮計算即得到MMAP值。

從算法層面：a. 對于想提高Precision，使得二分類器預測的正例盡可能是真實正例，那麼應該提高二分類器預測正例的門檻值，使得預測出來的結果盡可能是正确的；對于想提高Recall，使得二分類器盡可能将真實的正例挑選出來，那麼應該降低二分類器預測正例門檻值，使得預測出來的結果盡可能包含更多的正樣本，即可以簡單調整socre的門檻值。

從資料層面：a. 對于想提高Precision，無非是你的模型對于某些樣本檢測錯誤，了解為對某些樣本的拟合能力不足，那麼在訓練過程中做好(線上/離線)資料增強，讓模型有足夠的泛化能力，即可提高Precision；對于想提高Recall，無非是有些樣本沒有正确檢測出來，即難樣本過多，可以進行線上難例挖掘和挑出難例樣本繼續訓練以提高模型能力。 (注意這裡的檢測錯誤和沒有檢測出來是兩個概念)