卷积神经网络的深入理解-评测指标篇（PR曲线，ROC曲线，AUC面积，IOU，AP含实例）_卷积神经网络评价指标

    2023.1.10：补充多分类的准确率/召回率/精确度/
                        F1-score的计算
    (变化的部分会以红色字体标出)

绪论

这一篇主要是介绍一下模型的评测指标，与上几篇文章一样都会持续更新。

什么是评测指标？

评测指标是用来定量衡量模型的性能的，是作为各种方法比较的一个标准。
评测指标可以分为分类任务的评测指标和回归任务的评测指标
下面会详细介绍两种任务的评测指标。

分类任务评测指标

1、准确率/召回率/精确度/F1-score

（1）二分类

在这之前我们要了解几个概念：

准确率（Accuracy）（绝不能冤枉一个好人）：
$$Accuracy=\frac{(TP+TN)}{(TP+FP+TN+FN)}=\frac{预测正确的样本数}{总的样本数}$$
精确度（Precision）（注意这里正反是相对的）：
$$Precision=\frac{TP}{TP+FP}=\frac{预测正确的正样本数}{预测为正的样本数}$$
或
$$Precision=\frac{TN}{FN+TN}=\frac{预测正确的负样本数}{预测为负的样本数}$$
本质上是一样的，只不过一般选择正样本（也就是你关注的样本）计算精确度。
召回率（Recall）（与精确度一样，只选择正样本计算召回率）（宁错杀一千也不能放过一个）：
$$Recall=\frac{TP}{TP+FN}=\frac{预测正确的正样本数}{真实标签为正的样本数}$$
即正样本有多少被召回。
F1-score（综合Precision和Recall的评估）：
$$F1score=\frac{2\ast Precision\ast Recall}{Precision+Recall}$$

（2）多分类

参考自：多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨
如下混淆矩阵：