首先需要一个表格说明TP，FP，FN和TN的概念：
标签预测结果PPTrue Posetive（TP）PNFalse Negative（FN）NPFalse Positive（FP）NNTrue Negative（TN）之前，常常在这边搞混，个人总结的分辨办法： 1、后一个word（Positive / Negative）指预测的结果； 2、前一个work（True / False）指预测与标签是否相同
precision：准确率，检索任务中既查准率； recall：召回率，检索任务中既查全率。 precision = TP /（TP + FP） = 预测为正例且标签为正例的个数 / 预测为正例的个数 = （检索任务中）检索到为相似且标签为相似的个数 / 检索到为相似的个数 recall = TP /（TP + FN） = 预测为正例且标签为正例的个数 / 标签为正例的个数 = （检索任务中，对于）检索到为相似的个数 / 标签为相似的个数
准确率和召回率是相互影响的，一般情况下呈此消彼长状态； 对于不同任务，侧重点不同，个人认为 对于商品搜索任务，要尽量保证召回率的情况下提升准确率； 如果做非此即彼的任务，如疾病检测，要保证准确率的情况下提升召回率。
对于准确率和召回率要求都高的情况下，可以用F1指标（F1-score）。 F1= 2 × P × R / (P + R)
借用别人的图片 原图地址：http://yongyuan.name/blog/evaluation-of-information-retrieval.html 上图中，average precision既为AP，mean average precision既为mAP； 需要注意的一点，若上图中第一例，返回的10张图片仅有3张为相似图片，求AP时底数仍为5.
