機器學習評價準則
機器學習（ML），自然語言處理（NLP），資訊檢索（IR）等領域評價指標一般有如下幾點：準確率（Accuracy），精確率（Precision），召回率（Recall）和F1-Measure。同時深度學習目標檢測領域的評價指標更注重平均精確率（Mean Average Precision），召回率（Recall），以及速度（rate）。在介紹上面三個引數之前，首先介紹混淆矩陣。
| ~ | Positive | Negative |
|---|---|---|
| True | True Positive (TP) | True Negative(TN) |
| False | False Positive (FP) | False Negative (FN) |
上表以二分類問題為例，有兩類預測結果Positive（正類），Negative（負類），在進行二分類時，同樣會有兩類預測結果True（正確分類，真），False（錯誤分類，假），因此會出現上表所示的四種情況，每種情況代表的含義如表2所示：
| True Positive (TP) | 將正類正確的預測為正類數. （真正） |
|---|---|
| True Negative(TN) | 將負類正確的預測為負類數.（真負） |
| False Positive (FP) | 將負類錯誤的預測為正類數(誤報) |
| False Negative (FN) | 將正類錯誤的預測為負類數(漏報) |
在上述條件下，定義精確率（Precision），準確率（Accuracy）和召回率（Recall）：
IOU（Precision）
在目標檢測中IOU的定義為：
如圖所示藍色的框是：Ground Truth 、黃色的框是：Detection Result 、綠色的框是：Detection Result ⋂ Ground Truth 即Area of overlap、紅色的框是：Detection Result ⋃ Ground Truth即Area of union
對應到混淆矩陣中：
| True Positive (TP) | 綠色的框 |
|---|---|
| True Negative(TN) | 紅框之外的影象部分 |
| False Positive (FP) | 黃色的框-綠色的框 |
| False Negative (FN) | 藍色的框-綠色的框 |
準確率（Accuracy）
準確率可表示：假設要檢測A，B兩類目標，對於給定的測試資料集，分類器正確分類的A，B兩樣本數 與被分類的總樣本數 之比。在正負樣本不平衡的情況下，準確率這個評價指標有很大的缺陷，較少使用。對應到上圖中就是當藍色框人太小的時候，背景太大，即使預測的黃色框和藍色框不重合的時候，由於紅框之外的影象部分非常大，導致準確度依然很高：
精確率（Precision）
精確率可表示：假設要檢測A類目標，對於給定的測試資料集，分類器正確分類為A類的樣本數TP與被分為A類的樣本數TP+FP之比。對應上圖就是
召回率（Recall）
召回率可表示：假設要檢測A，B兩類目標，對於給定的測試資料集，分類器正確分為A類的樣本數TP佔所有應該被檢測為A類的樣本數的比例。對應上圖就是：
F-Measure
Measure可表示：精確率和召回率的調和均值，相當於精確率和召回率的綜合評價指標，計算方法如上式。
MAP
在多分類問題中，上述的精確度定義不足以描述多分類器的效能，於是又引入了平均精確率（Mean Average Precision）：
其中Q是樣本的種類，P是每種樣本的檢測精確度，上式表示計算所有樣本種類的精確度的均值。