TP — True Positive，实际上是正，预测为正。在抽取的任务中，就是预测出了这个span，实际上也有这个span
FP — False Positive，实际上是负，预测为正。在抽取的任务中，就是预测出了这个span，实际上没有这个span
TN — True Negative，实际上是负，预测为负。在抽取的任务中，就是没预测出这个span，实际上也没有这个span
FN — False Negative，实际上是正，预测为负。在抽取的任务中，就是没预测出这个span，实际上有这个span
在目标检测中，TP、FP、FN的意思是
TP（True Positive）:与目标框（ground truth) IoU>0.5的检测框数量 （同一个Ground Truth 只计算一次）
FP(False Positive):与目标框 IoU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）
FN（False Negative）: 没有检测到的目标框的数量
Precision(查准率): TP/(TP + FP)即：所有预测正确的框，与所有预测出来的框（网络最终输出的全部预测框）的比例
Recall(召回率/查全率)：TP/(TP + FN) 即：所有预测正确的框，与所有真实框（ground truth）的比例
P-R曲线：以precision和recall为横纵坐标绘制的曲线称为PR曲线
1. 正确率 = 正确识别的个体总数 / 识别出的个体总数
2. 召回率 = 正确识别的个体总数 / 测试集中存在的个体总数
3. F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）
不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。Seaeagl e撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果 Seaeagle 把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
正确率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100%
F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而 F 值，则是综合这二者指标的评估指标，用于综合反映整体的指标。
