在二分类问题中，我们常用准确率（precision）和召回率（recall）来进行评价。实际上，许多问题都可以转变为二分类问题。对于这其中的一些概念，之前都是死记硬背，今天在看目标检测的评价指标时突然有一点理解，赶快写下来。
References：
参考文献：
[1]统计学习方法（第2版）
4种情况
通常我们把关注的类称为正类，其它类称为负类。而分类器在测试数据集上的预测可能是正确的也可能是不正确的。由此就出现了四种情况。
TP：True Positive（真的正类），即把正类预测为正类的个数。
FN：False Negative（假的负类），即把正类预测为负类的个数。
FP：False Positive，即把负类预测为正类的个数。
TN：True Negative，即把负类预测为负类的个数。一般不关注这一项。
准确率和召回率
由此我们可定义准确率为$P=\frac{TP}{TP+FP}$。
定义召回率为$R=\frac{TP}{TP+FN}$。
此外，还定义了$F_{1}$为准确率和召回率的调和均值，即$\frac{2}{F_{1}}=\frac{1}{P}+\frac{1}{R}$。可变换定义式求得$F_{1}$值。易得，当准确率和召回率都高时，$F_{1}$也会高。
我们可以结合下图来直观地理解一下。
结合上图和准确率与召回率地定义，由于一般在问题中我们只对我们预测的正类做标注，因此我觉得可以这样理解准确率和召回率：
准确率：预测出的结果中，有多少是正确的。
召回率：所有属于正类的目标中，有多少被正确地预测出来了。