【深度学习】Precision 和 Recall 评价指标理解

1. 四种情况

Precision精确率， Recall召回率，是二分类问题常用的评价指标。混淆矩阵如下：

T和F代表True和False，是形容词，代表预测是否正确。

P和N代表Positive和Negative，是预测结果。

	预测结果为阳性 Positive	预测结果为假阳性 Negative
预测结果正确 True	TP	TN
预测结果错误 False	FP	FN

通常关注的类为正类，其他类为负类。（以猫狗二分类为例，现在关注狗的precision和recall）

TP	正类预测为正类（预测出狗的图片实际标注也是狗）
FN	正类预测为负类（预测出猫的图片实际标注是狗）
FP	负类预测为正类（预测出狗的图片实际标注是猫）
TN	负类预测为负类（预测出猫的图片实际标注是猫）

T, F 代表的是图片对应的标签，说明是否正确。

P, N 代表的模型预测出来的结果是对的还是错的。

2. Precision

精确率计算公式：

[P=frac{TP}{TP+FP} ]

理解：

TP+FP: 也就是全体Positive， 也就是预测的图片中是正类的图片的数目

TP: 也就是正类也被预测为正类的图片的个数

总之：预测正确的图片个数占总的正类预测个数的比例（从预测结果角度看，有多少预测是准确的）

3. Recall

召回率计算公式：

[R=frac{TP}{TP+FN} ]

理解：

TP+FN: 也就是全体完全满足图片标注的图片的个数

TP：正类被预测为正类的图片个数

总之：确定了正类被预测为正类图片占所有标注图片的个数（从标注角度看，有多少被召回）

4. 二分类举例

还是以猫狗二分类为例，测试集一共有20张狗， 20张猫的图片的标注图片（狗为正例），模型预测出其中有16张图片是狗，其中14张图片标注确实为狗，剩下两张图片标注为猫。

对于猫来说，剩下的24张图片是猫，其中有6张是狗，18张是猫。

	Positive	Negative	All
True	TP: 14	TN: 18	32
False	FP: 2	FN: 6	8
All	16	24	40

所以可以进行计算了

[precision = frac{TP}{TP+FP} = frac{14}{14+2} ]

[recall = frac{TP}{TP+FN} = frac{14}{14+6} ]

5. 多分类举例

该例引用自：https://www.itcodemonkey.com/article/9521.html

Class1	Actual_Class1	Actual_Class2	Actual_Class3
Predicted_Class1	30	20	10
Predicted_Class2	50	60	10
Predicted_Class3	20	20	80

比如我们对class2进行计算：

class2-TP：标签为class2, 预测为class2 = 60

class2-FN: 标签为class2, 预测不是class2 = 20+20 = 40

class2-FP: 标签不为class2, 预测为class2 = 50 + 10 = 60

class2-TN: 标签不为class2, 预测也不是class2 = 30+10+20+80 = 140

6. 其他指标

F1 值是precision和recall调和平均值：

[frac{2}{F_1} = frac{1}{P} + frac{1}{R} ]

[F_1 = frac{2TP}{2TP+FP+FN} ]