当前很多安全产品尤其是涉及利用AI技术进行安全检测的场景中经常要用到评价标准，例如某公司新推出一种安全检测算法或者产品，大家都会问“检出怎么样？”，“误报怎么样？”，下面就此评价进行总结。
通常来说，检测率可以认为是精确率（precision rate），误报可以认为是误报率（false positive rate），以二分类为例，P为正类，N为负类，总体样本只由正类和负类构成。
解释一下是真正属于正类的样本，
为错分为正类的样本。
此外，还会使用召回率来形容检测能力
，
具体实例为：待检测有200个样本，其中属于正类的样本为120个，那么负类样本为80个，某检测算法（通常来说，某检测算法只检测出我们关心的那一类，比如我们很关心哪些是恶意的，那么检测算法就只是检测出恶意的）检测了100个（这100个为算法检测正类，这其中可能会有误报，也就是说100个里可能有负类样本），而100个里真正是正类的有97个，
那么该检测算法的精确率为%，误报率为
%，召回率为
%。
从上例可以看出，精确率和误报率比较好计算，原因在于检测算法的检测数量都很明确，而召回率并不好计算，原因在于针对未知检测环境，待检测样本里到底有多少是正类和负类均为未知数，因此召回率较适用于测试样本集合。
