机器学习的评价指标让人眼花缭乱。以前我写过一篇笔记总结了这个话题，有兴趣的可以参考一下：一分钟看懂深度学习中的准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP。
今天修改一份标准文件，发现算法测试指标定义有些不妥。反复思考后，感觉有必要再次梳理一下对这些概念的认识。
算法模型的任何一次预测，只可能有四种情况：
| 简称 | 检测结果 | 英文术语 | 含义 |
|---|---|---|---|
| TP | 真阳性（正报） | true positive | 正确地检测到阳性结果：即检测结果正确，并且结果呈现阳性 |
| FP | 假阳性（误报） | false positive | 错误地检测到阳性结果：即检测结果错误，并且结果呈现阳性 |
| TN | 真阴性（正舍） | true negative | 正确地检测到阴性结果：即检测结果正确，并且结果呈现阴性 |
| FN | 假阴性（漏报） | false negative | 错误地检测到阴性结果：即检测结果错误，并且结果呈现阴性 |
下图用图形化的方式，把五个常见指标的分数表达式直观地展现出来了。
准确率 = 正确检测次数 总检测次数 准确率=\frac{正确检测次数}{总检测次数}\\ 准确率=总检测次数正确检测次数
精度 = 正报数 正报数 + 误报数 精度=\frac{正报数}{正报数+误报数} 精度=正报数+误报数正报数
召回率 = 正报数 正报数 + 漏报数 召回率=\frac{正报数}{正报数+漏报数} 召回率=正报数+漏报数正报数
机器学习领域喜欢用精度和召回率来评价算法性能，原因是，这两个指标的计算公式的分子是相同的，而分母的差异仅在于误报和漏报。从美学角度看，更简洁优美。
精度 + 误报率 = 1 精度+误报率=1 精度+误报率=1
召回率 + 漏报率 = 1 召回率+漏报率=1 召回率+漏报率=1
如下图所示，算法精度的提升，意味着直线A向右侧移动，减少蓝色区域的面积。
如果算法精度不变，修改算法阈值，只能改变直线B的位置，也就是误报率和漏报率会发生变换，而误报和漏报的总量不会发生变化。
