一、precision—查准率、recall—查全率
在介绍查准率之前，我们先来介绍以下几个概念。
TP:True Positive
TN:True Negative
FP:False Positive
FN:False Negative
假设要计算A类的precision和recall，那么我们的目标就是模型能够准确的识别到A类。那么对于TP、TN、FP、FN的概念如下：由下图我们可以知道，True和False根据识别预测到的类与实际类是否对应来区分；Positive与Negative根据预测识别到的是否为A类区分（不管实际是否为A类）
了解了这四个概念，下面我们来介绍precision和recall的计算/定义。
p
r
e
c
i
s
i
o
n
=
T
P
/
（
T
P
+
F
P
）
（
1
）
precision=TP/（TP+FP） （1）
precision=TP/（TP+FP）（1）
r
e
c
a
l
l
=
T
P
/
（
T
P
+
F
N
）
（
2
）
recall=TP/（TP+FN） （2）
recall=TP/（TP+FN）（2）
（1）式可以理解为针对我们的目标，识别到的A类有多少是与实际相符的、准确的，由图可以推导出公式。所以precision称为查准率；（2）式可以理解为针对全部真值中的A类，我们识别到了多少个，即recall查全率。
二、AP—Average Precision、Map—Mean average precision
由图可以看出：
AP:即recall从0到1时准确率的平均值（同一召回率取最高的准确率）。
Map:对所有类别AP再求平均就可以得到mAP了。
本文第二部分转自博主木盏：
原文链接：https://blog.csdn.net/leviopku/article/details/80835929
