這幾個評價標準非常容易弄混與想當然。認真看哈，很重要。

對於室內場景，或者是任何帶類別的識別任務，都會有class average accuracy. 大家想當然的翻譯成類平均識別率，就會和precision搞混。而且又因為它帶一個accuracy，所以會和accuracy搞混。

precision

認準率。通俗來講就是你認出來的，有多少人對了。舉個例子，你家有一隻狗，還有兩瓶啤酒，兩份報紙，一雙拖鞋，也就是兩隻拖鞋（樣本總量為6）。你對你家狗狗說去給我把整個屋子裡面的啤酒都拿過來。然後它給你叼過來兩瓶啤酒，一份報紙，一隻拖鞋，這時狗狗的precision是50%，它認為是啤酒的四個物品中只有一個是。然後你和你家貓說去給我把煙叼過來，它賞你一個白眼。主子的precision是零。

這個指標反應了你的可信度，比如讓家用機器人把降壓藥拿過來，他一定不能錯，他可以不把家裡全部的降壓藥都拿過來，但是他要保證拿過來必須是降壓藥。降壓藥的precision一定要是100%。

recall

召回率，通俗來講就是有多少東西被你找到了。還是剛才的貓狗例子。你對你家狗說去給我把整個屋子裡面的啤酒都拿過來。然後它給你叼過來兩瓶啤酒，一卷衛生紙，一隻拖鞋，你喝完了這兩瓶啤酒，覺得你家狗狗太笨，就拿來這麼點。你決定親自去。你開啟冰箱，發現冰箱裡真的就兩瓶啤酒，你瞬間熱淚盈眶，原來你家狗狗把它能找到的都給你叼過來了。狗狗對啤酒的recall就是100%。總共就兩瓶啤酒，都被狗狗認出來了。

你和你家貓說去給我把煙叼過來，它賞你一個白眼。你對主子無可奈何，只能自己去找，然後找遍房子都沒有，這時你家肥貓移動尊臀，從茶几上挪到了窩裡打算睡覺。你發現你找了5分鐘的煙，就在肥貓的屁股底下。你家肥貓對煙的召回率也是零。

這個指標反應了你能不能最大程度上把目標全找到。比如警察用智慧軟體篩查一群嫌疑犯，那麼，必須一個不剩的都被採集到，即便是有一些良民被智慧軟體認為是嫌疑犯也無所謂，嫌疑犯的recall必須是100%

class average accuracy

論文中必出現的一個標準（人臉肯定沒有，你見過給人臉分類的？）。本質來講是類平均召回率。計算方法是對每一類的召回率求個平均值，很簡單吧。你讓你家狗狗給你拿報紙。它給你拿了一份報紙，一罐啤酒，一隻拖鞋。但你家門口有三份報紙，第一份被它當作是啤酒給你了。狗狗昨天對啤酒的召回率是100%，但是對於報紙表現不佳，對報紙的召回率只有33.3%你和狗狗要拖鞋，狗狗給了你一份報紙，狗狗對報紙的召回率是0。那麼，你家狗狗對啤酒，報紙，拖鞋的class average accuracy就是(100%+33.3%+0)/3=44.4%。

所以我們說，類平均準確率就是平均召回率。千萬記住不要和precision，以及accuracy弄混。

accuracy

所有正確的樣本的總數，除以正確樣本的總數。3/7=42.9%.