mAP及相关概念
正例和负例
现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive），然后我们就能得到如下的四种情况：
（1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
（2）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
（3）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
（4）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
P（精确率）
P 代表 precision，即精确率，精确率表示预测样本中实际正样本数占所有正样本数的比例，计算公式为：
AP（平均精度）
AP 代表 Average Precision，即平均精度。
R（召回率）
R 代表 recall ，即召回率，召回率表示预测样本中实际正样本数占所有预测的样本的比例，计算公式为：
一般来说，召回率越高，准确率越低。
ACC（准确率）
ACC 代表 Accuracy，即准确率，准确率表示预测样本中预测正确数占所有样本数的比例，计算公式为：
mAP（均值平均精度）
mAP 是 Mean Average Precision 的缩写，即 均值平均精度，即AP(Average Precision)的平均值，作为 object dection 中衡量检测精度的指标。假设有K种类别，K>1，那么mAP的计算公式为：
备注：
什么是精(Precision)，什么是准(Accuracy）
Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。
Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias) 小，描述了的实际值与真实结果的偏离程度
准确度高，意味着误差(Error)小，Error = Bias + Variance
Precision是预测为正实际为正占预测为正的比例，Precision可以视作是模型找出来的数据的正确能力，Precision=1表示模型找一个对一个，Presicion=0.5表示模型找出2个，能对1个。
Recall是预测为正实际为正占总体正样本的比例，Recall可以视作是模型在数据集中，检测出目标类型数据的能力，即是否把想找出来的都找出来了，Recall=1表示已经把想找出来的数据全部找出来了。
Accuracy是预测为正实际为正和预测为负实际负占总样本的比例。
F1 Score是Precision与Recall的调和平均，是综合Precision与Recall的评估指标，避免Precision或Recall的单一极大值，用于综合反映整体的指标。
