參考連結：

1、https://blog.csdn.net/blueblood7/article/details/41823593

2、https://blog.csdn.net/lijiao1181491631/article/details/54407830?utm_source=blogxgwz0

3、https://blog.csdn.net/u014696921/article/details/74435229

1、混淆矩陣

• TP：true positive，實際為正的，預測成正的個數
• FN：false negative，實際為正的，預測成負的個數
• FP：false positive，實際為負的，預測成正的個數
• TN：true negative，實際為負的，預測成負的個數

2、TPR/FPR/TNR/FNR

即上面提到的TP/FN/FP/TN的比率

• TPR：true positive rate，真正率，敏感性sensitivity，實際為正的，預測成正的比率
  $T$

  P R = T P T P
  + F N TPR= \frac{TP}{TP+FN}

• FNR：false negative rate，假負率，實際為正的，預測成負的比率
  $FNR= \frac{FN}{TP+FN}$

• FPR：false positive rate，假正率，實際為負的，預測成正的比率
  $FPR= \frac{FP}{FP+TN}$

• TNR：true negative rate，真負率，特異性specificity，實際為負的，預測成負的比率數
  $TNR= \frac{TN}{FP+TN}$

3、ROC/AUC

ROC曲線：受試者工作特徵曲線：receiver operating characteritic curve，又稱為感受性曲線（sensitivity curve），表示敏感性和特異性之間的相互關係。

橫座標為FPR，縱座標為TPR，如下圖所示，ROC曲線上的每一個點對應一個threshold，

其中，有三種極限狀態：

• TPR=0，FPR=0，這時threshold最大，將每個例項都預測為負類；
• TPR=1，FPR=1，這時threshold最小，將每個例項都預測為正類；
• TRP=1，FPR=0，理想模型，所有例項都預測準確。

一個好的分類模型，其曲線應該儘可能靠近上圖的左上角。如果是隨機猜測模型，則位於圖中的主對角線上。

AUC：ROC曲線下方的面積，area under the ROC curve。另一種評價模型效能的方式，如果模型是完美的，則AUC=1，如果模型是隨機猜測模型，則AUC=0.5，模型效能越好，則面積越大。

4、FAR/FRR/EER

人臉識別一般分為Indentification和Verification（人臉驗證），當進行人臉驗證時，一般考慮以下兩個指標：

1. 誤識率(False Accept Rate,，FAR)：將其他人誤作指定人員的概率
2. 拒識率(False Reject Rate，FRR)：將指定人員誤作其它人員的概率。
3. 等錯誤率 (EER-Equal Error Rate) ：取一組0到1之間的等差數列，分別作為識別模型的判別界限，既座標x軸，畫出FFR和FAR的座標圖，交點就是EER值。

$FAR = \frac{NontargetIsTarget } {( TargetIsTarget + NontargetIsTarget ) }$

$FRR = \frac{TargetIsNontarget} {( TargetIsNontarget + NontargetIsNontarget ) }$

一般，FAR=0.001時，FRR的值作為參考。值越小，效能越好。

計算機在判別時採用的閾值不同，這兩個指標也不同。一般情況下，誤識率FAR 隨閾值的減小（放寬條件）而增大，拒識率FRR
隨閾值的減小而減小。因此，可以採用等錯誤率（Equal Error Rate,
ERR）作為效能指標，即通過調節閾值，使這FAR和FRR兩個指標相等時的FAR 或 FRR。

另一種關於FAR、FRR的解釋如下：

5、FMR、FNMR

FMR：False match rate
FNMR：False non-match rate

$FAR = FMR * (1 – FTA)$
$FRR = FTA + FNMR * (1 – FTA)$
錯誤採集率 failure-to-acquire rate FTA: 在辨識或驗證的嘗試中，採集不到樣本或樣本質量無法達到要求的比例。

6、GFAR、GFRR

GFAR ：廣義誤接受率，Generalized false accept rate

GFRR ：廣義誤拒絕率，Generalized false reject rate

廣義上的錯誤拒絕發生在：

• 測試物件沒有註冊
• 不能提取提交的樣本
• 存在錯誤匹配

廣義上的錯誤接受和錯誤拒絕率將由下述公式給出：

$GFAR = FMR * (1 – FTA) * (1 – FTE)^2$
$GFRR = FTE + (1 – FTE) * FTA + (1 – FTE) * (1 – FTA) * FNMR$

FTE：註冊失敗率 failure-to-enroll rate