看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率

1、准确率、精确率、召回率、误报率、漏报率概念及公式

• 重点参考博文：【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式
• 误报率、漏报率、准确率和召回率（虚警率、漏警率）
  • 误报率和漏报率的关系：一般来说无法同时降低误报率和漏报率。举个例子来说，某门卫为了防止小偷进入小区，凡是过往人员都要盘查，这时漏报率为0，但是显著提高了误报率；反之如果门卫什么都不做，任由人员出入，那么这是漏报率就会提高，而误报率降低为0。
  • 漏检率 + 召回率 = 1，也就是召回率越高，漏检率越低
• 【积累】机器学习知识，看里面的1.1.2 二分类问题

阳性（正）样例 P 和 阴性（负）样例 N：

• 正样本预测为正样本的为True positive（TP）
• 正样本预测为负样本的为False negative（FN）
• 负样本预测为正样本的为False positive（FP）
• 负样本预测为负样本的为True negative（TN）

所以有：
$$\begin{gathered} P=TP+FN \\ N=FP+TN \end{gathered}$$

1.1 准确率 Accuracy

• 反映模型对整体样本判断正确的能力，值越大越好
• 但样本不平衡时，ACC 不能很好地评估模型性能
  $$Acc=\frac{TP+TF}{TP+FP+TN+FN}$$

1.2 精确率 Precision

• 反映模型正确预测正样本精度的能力，值越大越好
• 也称精度，查准率，阳性预测值(positive predictive value, PPV)
• 即：衡量在所有预测为正样本的数据中，有多少是真正的正样本
  $$Precision(PPV)=TP+$$