Talk about P-R curve, ROC, AP/mAP/mmAP
Precision-Recall Curve
| - | 预测：True | 预测：False |
| - | - | - |
| 真实：True | True Positive | False Negative |
| 真实：False| False Positive| True Negative |Precision：预测出为正例中有多少是真正例
Precision = TP / (TP + FP)
Recall：预测出的真正例占总正例的比例
Recall = TP / (TP + FN)绘制PR曲线的流程：
1.1 将样本根据预测的得分由高到低排序
1.2 按照排好的顺序，逐个样本选择阈值，得分大于该阈值的为正例，反之为负例，计算对应的Precision和Recall
注意：- 随着选择的阈值不断降低，TP会增加（正例总数TP+FN不变），Recall是非严格递增的
- 随着选择的阈值不断降低，TP会增加，对于一个还行的分类器来说，FP从大趋势上应该是增加的越来越快（被预测为正例的负例越来越多），因此总体上Precision的趋势是减小的。但是，负例的分布密度如果不随着得分的降低严格增大的话，常常会体现为Precision不单调递减。
- 最开始得分阈值最高，TP为0，所以PR曲线过点（0，0）。若得分最高的都是正例，那么recall从0增大时，precision基本从1开始下降。若得分最高的都是负例，那么recall从0增大时，precision会先从0上升。
- 理论上PR曲线不会过点（1, 0），除非负例远大于正例，P才可能趋近于0。
- 当存在一个阈值能够完全分开正例和负例时，PR曲线面积为1x1。因为：当前划分阈值高于该阈值时，FP=0，Precision=1；当划分阈值等于该阈值时，FP=FN=0，Recall=1，Precision=1。
##TODO
- [] ROC
- [] AP/mAP/mmAP
- [] code demo