TP、TN、FP、FN的四个概念全是形容模型预测结果的。

TP代表模型预测正确的正例样本数量。

TN代表模型预测正确的负例样本数量。

FP代表模型预测错误的正例样本数量。

FN代表模型预测错误的负例样本数量。

	预测值为1	预测值为0
真实值为1	TP	FN
真实值为0	FP	TN

Accuracy：准确率。

表示模型预测正确的样本数量（预测正确的正例和反例和）占所有样本的比例。

Precision：精确率（查准率）。

表示模型预测正确的正样本数量占模型所预测的正样本数量的比例。

Recall：召回率（查全率）

表示模型预测正确的正样本数量占所有真实正样本数量的比例。

AP (Average Precision, 平均精确率)：表示对某一类目标的检测精确率-召回率 (Precision-Recall, PR) 曲线下的面积 (AUC)。

AP 的本质就是PR曲线下的面积，但与 AUC-PR 的区别在于 AP 是对每个召回率的精确率取最大值后进行平均。

mAP (mean Average Precision, 平均平均精确率)：对所有目标类别的AP取平均值，用于衡量多类别目标检测的整体性能。

指标	AUC-PR	AUC-ROC
X 轴	Recall (召回率)	FPR (假正率)
Y 轴	Precision (精确率)	TPR (真正率)
衡量目标	关注正类的检测性能	关注正类和负类的区分能力
数据不平衡表现	在不平衡数据中更敏感	在不平衡数据中表现可能不稳定
常用场景	故障检测、异常检测、欺诈检测等少数类场景	通用的二分类任务
取值范围	[0, 1]，值越大，模型效果越好	[0, 1]，值越大，模型效果越好

关键区别： AUC-ROC 关注正类和负类的区分，而 AUC-PR 更关注正类的检测能力，这在不平衡数据中尤为重要。