目标检测中的几个重要指标

1：准确率 (Accuracy)

准确率衡量的是「所有预测」中「正确预测」的比例。

公式： Accuracy = (TP + TN) / (TP + TN + FP + FN)

通俗理解： “模型猜对的次数占总次数的百分比。”

关注点： 整体的正确性，同时考虑了正例和负例的预测情况。

2. 精确率 (Precision)

精确率衡量的是「所有被预测为正例」的结果中，「真正是正例」的比例。

公式： Precision = TP / (TP + FP)

通俗理解： “模型说是目标的东西，有多少真的就是目标？” 或者说 “宁缺毋滥”。
精确率主要关注的是预测结果中的正类样本的质量，即在预测为正类的样本中有多少是准确的。

关注点： 预测结果的可靠性或准确性。它只关心那些被模型标记为“正”的样本。

3.召回率

一个生动的比喻：撒网捕鱼
想象你在一个鱼塘里捕鱼，这个鱼塘里总共有 10条鱼（这就是真实目标）。

TP（真阳性）：你捞上来的网里，确实有 6条鱼。
FN（假阴性）：有 4条鱼 从网眼里漏了出去，还在鱼塘里。（被模型预测为负类的正样本）
FP（假阳性）：你的网里还捞上来 3只破鞋（这是误检，影响精确率，但不影响召回率：实际为负类的样本被错误地分类为正类的数量）。

请问你的捕鱼网（模型）的召回率是多少？

Recall = 捞到的鱼（TP） / 鱼塘里所有的鱼（TP + FN） = 6 / 10 = 60%

这个指标只关心：鱼塘里总共10条鱼，你抓住了多少条？ 它不关心你网上来的破鞋（FP）

4.召回率与精确率的比较

指标	公式	关注点	回答的问题
召回率（Recall）	TP / (TP + FN)	避免漏检（FN）	所有真实的目标，我找出了多少?
精确率（Precision）	TP / (TP + FP)	避免误检（FP）	我找出的所有目标中，有多少是真的?

场景分析：

假设一个安全系统监控一片区域，该区域隐藏着5个真实入侵者（真实目标）。

模型A（高召回率模式）： 报告了100次警报。

其中，5个是真实入侵者（TP=5）。

没有漏掉任何入侵者（FN=0）。

但有95次是误报，比如猫、影子等（FP=95）。

Recall = 5 / (5+0) = 100% （所有入侵者都找到了！）

Precision = 5 / (5+95) = 5% （但警报几乎都是假的，烦死人）

模型B（高精确率模式）： 只报告了1次警报。

这1次警报确实是入侵者（TP=1）。

没有误报（FP=0）。

但漏掉了4个入侵者（FN=4）。

Precision = 1 / (1+0) = 100% （每次警报都极其可靠！）

Recall = 1 / (1+4) = 20% （但大部分入侵者都漏掉了，太危险！）

结论： 没有完美的模型，召回率和精确率之间存在天然的权衡（Trade-off）