一、mAP（MeanAveragePrecision）
1.对于某类别C，在一张图片上
，
即P=一张图片上类别C识别正确的个数 / 这张图片上类别C的总个数
2.对于类别C，在多张图片上
，
即AP=每张图片上的Precision求和 / 含有类别C的图片数目
3.对于整个数据集而言，存在多个类别C1、C2、C3...
，
即mAP=所有类别的AP求和 / 总的类别数目
二、ROC曲线，P-R曲线
召回率Recall=TP/(TP+FN)
两者的抽样方式不同：精确率Precision=TP/(TP+FP)
真正率TPR = TP/(TP+FN) 即Recall
假正率FPR = FP/(FP+TN)
真负率TNR = TN/(TN+FP)
假负率FNR = FN/(FN+TP)
召回率的抽样是每次取同一标签中的一个样本，如果预测正确计一分；
精确率的抽样是每次取已预测为同一类别的一个样本，如果预测正确计一分
1.ROC曲线
ROC显示的是分类器的TPR和FPR之间的关系，如下图所示：
A点(0,1)即FPR=0，TPR=1，FN=0，FP=0，将所有的样本都正确分类。
B点(1,0)即TPR=0，FPR=1，TP=0，TN=0，成功地避开了所有的正确答案。
C点(1,1)即TPR=1，FPR=1，FN=0，TN=0，将所有的样本预测为正样本。
D点(0,0)即TPR=0，FPR=0，TP=0，FP=0，将所有的样本预测为负样本。
ROC曲线越接近左上角，该分类器的性能越好。
AUC被定义为ROC曲线下的面积。其含义可以解释为：
0.8的AUC表明，对于给定的一个正样本和负样本，在80%的情况下，模型对正样本的打分高于对负样本的打分。
2.P-R曲线
P-R曲线表现的是Precision和Recall之间的关系，如图所示：
如果一个学习器的P-R曲线被另一个学习器的P-R曲线完全包住，则可断言后者的性能优于前者，例如上面的A和B优于学习器C，但是A和B的性能无法直接判断，但我们往往仍希望把学习器A和学习器B进行一个比较，我们可以根据曲线下方的面积大小来进行比较，但更常用的是平衡点或者是F1值。平衡点（BEP）是查准率=查全率时的取值，如果这个值较大，则说明学习器的性能较好。而F1 = 2 * P * R ／( P + R )，同样，F1值越大，我们可以认为该学习器的性能较好。