当我们在谈论机器学习，或者更具体地说机器视觉时，我们常常听到这样一些词汇：准确率、精准率、召回率。对于产品经理来说，理解这些评价指标的意义及其重要性是十分必要的，它是算法迭代的方向。

但是机器学习的指标太多太复杂，很难入门。此外，计算机视觉较为复杂，它涉及多个任务的叠加，每个任务都有算法指标进行评价，产品需要关注总体指标（也叫端到端指标）的同时，还要能够理解多任务叠加的情况下，每个指标的由来。

我们分两篇来专门针对计算机视觉的评价体系。本篇介绍机器视觉的核心评价指标。

机器学习 3 个核心指标

对于了解机器学习的评价指标，其实不用一开始上来就看指标大全。指标大全会让大家迷失在各种形形色色的 KPI 里面。

我们一开始只要关心核心三大指标即可：

准确率 — Accuracy
精确率（差准率）- Precision
召回率（查全率）- Recall

这里汇总指标为准确率 Accuracy，拆分为两个重点，Precision（我们简称为 P）和 Recall（我们简称为 R）

速记方法

三大核心指标，简称为 APR，速记方法为：

Accuracy：是对全部样本来说，哪些是正确的。
Precision：是对预测结果为正的样本中，实际正确的个数。我们可以想象成，自己扔了一个骨头，所有跑过来的“狗”中，有多少只真狗。

Recall：是实际正样本中，有多少正样本被预测了出来。我们可以想象成，扔了一个骨头，狗是不是都回来了。

当基于机器视觉某个场景，算法进行识别后，产品经理都可以针对 APR 进行提问和查看。

指标拆解

既然有了三大核心指标，APR，那为什么算法同学总是喜欢提及 TN, TP, FN, FP 这些概念呢。而这些概念经常弄的人晕头转向。

我们先解释一下为什么需要 TN, TP, FN, FP 的存在。

先讲两个小故事。

1. 该病人有没有得 HIV？

如果每1000人中有1人携带人类免疫缺陷病毒（HIV），再假设有一种检查可以百分之百地诊断出真正携带该病毒的人。最后，假设这个检查有5％的假阳性率。也就是说，这项检查在没有携带HIV的人中，也会错误地检测出有5％的人是病毒携带者。假设我们随便找一个人来进行这项检查，结果呈阳性，表明此人为HIV携带者。假定我们对这个人的个人史或患病史一无所知，那么他真的是HIV携带者的概率是多少呢？

大部分人的回答是95％，即使是经验丰富的医生，而正确的答案是约2％。

我们假设 1000人中只有1人是HIV携带者。那么1000人中只有1人是真正的HIV携带者。如果另外999人（不患病）也进行检查，由于这一检查有5％的假阳性率，他们当中将有约50人（999 乘以0.05）会被错误地检查出携带HIV病毒。因此，在这51个检测结果呈阳性的人中，只有1人（大约2％）是真正的HIV携带者。

简而言之，基础比率就是绝大多数人都没有携带HIV病毒（病毒携带者只占1/1000）。将这个事实与相当高的假阳性率综合起来考虑，就能使人确信，在绝对数量上，大部分检测结果呈阳性的人并不携带HIV病毒。

而这里的 2% 就是 Precision。在机器检测的所有 HIV 阳性中，正确的个数为 1/51。

2. 我的当事人不是凶手

假设你是一个律师，现在法官要审判一起杀人案件，而你的辩护人被指认谋杀。但是案发时，你当事人在蛋糕房里面做蛋糕，并不在案发现场。现在你要为他辩护。

庭上法官拿出 DNA 检测报告表明，案发现场凶器上的 DNA 和你当事人 DNA 完全吻合。所以你的当事人才被指认。

作为律师你说，“等一等，法官你确定 DNA 匹配不是巧合？”

法官说，“当然，DNA 匹配概率是百万分之一。你的当事人是凶手无疑。”

你说，“别急，我们来画一个图。百万分之一的可能性表达的是所有人群里面，错误识别的可能性。但是我们这里应该要看的是，识别出来的结果里面，被误识别的可能性。

我们假设该城市有 4百万人，那么误判人数是 4 人。但是实际只有一个凶手。

所以我当事人被误判的概率是 1/5 = 20%。

实际为真，机器为正的，真正凶手就是 TP
实际为假，机器为正的，就是虽然检测是凶手，但是属于被误解，就是上面你的当事人的情况，属于 FP
实际为真，机器为负，就是机器检测不出真正凶手的情况，此处为 0，用 TN 表示
实际为假，机器也为负，就是非凶手，机器也不判断为凶手的情况，就是将近 4百万的城市人口。

这里的 Precision 为 TP/(TP+FP) = 20%

准确率 Accuracy 为 (TP+TN)/(TP+TN+FP+FN) = 1/近4000000

误识别率 FP/FN = 1/1,000,000

在不同的场景下，我们需要不同的指标来解释和处理。这个故事下，Precision 对你来说是最重要的指标。

总结

所以当我们拆解算法的指标时，可以通过上述矩形框进行拆解。基于不同的场景，选择 APR 等指标。

准确率 =(TP+TN)/(TP+TN+FP+FN)
精准率 =TP/(TP+FP)
召回率=TP/(TP+FN)

实际使用中，不用记 TP,TN,FP,FN 这些组合，只要你画出来 True, False, Positive, Negative 对其进行拆解，计算上面 APR 哪些指标有问题，去查看对应的照片数据集，就会找到问题所在。

概率统计书单推荐

统计与概率相关书籍：《思考，快与慢》
《不确定世界的理性选择》（Rational Choice in an Uncertain World）
《思考与决策》（Thinking and Deciding）
《现代世界中的决策与理性》（Decision Making and Rationality in the Modern World）
《赤裸裸的统计学》（ Naked Statistics: Stripping the Dread from Data
《如何不犯错：数学思维的力量》（ How Not to Be Wrong: The Power of Mathematical Thinking ）