計算機視覺中常用的評價標準

1 召回率

Recall，又稱“查全率”——還是查全率好記，也更能體現其實質意義。

2 準確率

Precision，又稱“精度”、“正確率”。
以檢索為例，可以把搜尋情況用下圖表示：
相關 不相關
檢索到 A B
未檢索到 C D
A：檢索到的，相關的 （搜到的也想要的）
B：檢索到的，但是不相關的
（搜到的但沒用的）
C：未檢索到的，但卻是相關的
（沒搜到，然而實際上想要的）
D：未檢索到的，也不相關的
（沒搜到也沒用的）

如果我們希望：被檢索到的內容越多越好，這是追求“查全率”，即
A/(A+C)

3 舉例

假設原始樣本中有兩類，其中：
1：總共有 P個類別為1的樣本，假設類別1為正例。
2：總共有N個類別為0 的樣本，假設類別0為負例。
經過分類後：
3：有 TP個類別為1 的樣本被系統正確判定為類別1，FN 個類別為1 的樣本被系統誤判定為類別 0，顯然有P=TP+FN；
4：有 FP 個類別為0 的樣本被系統誤判斷定為類別1，TN 個類別為0 的樣本被系統正確判為類別 0，顯然有N=FP+TN；

精確度（Precision）
P = TP/(TP+FP) ; 反映了被分類器判定的正例中真正的正例樣本的比重

準確率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分類器統對整個樣本的判定能力——能將正的判定為正，負的判定為負

召回率(Recall)，也稱為 True Positive Rate
R = TP/(TP+FN) = 1 - FN/T; 反映了被正確判定的正例佔總的正例的比重

轉移性（Specificity，不知道這個翻譯對不對，這個指標用的也不多），也稱為 True NegativeRate
S = TN/(TN + FP) = 1 – FP/N； 明顯的這個和召回率是對應的指標，只是用它在衡量類別0 的判定能力。

F-measure(綜合評價指標) or balanced F-score
F = 2 * 召回率 * 準確率/ (召回率+準確率)；這就是傳統上通常說的F1 measure

true positives (納真) false positives（納偽）
false negatives（去真）true negatives (去偽)

其中false positives（納偽）也通常稱作誤報，false negatives也通常稱作漏報！

以上均參考網上大牛！感謝萬能的網際網路！