之前寫過關於準確率和召回率： http://blog.csdn.net/zjm750617105/article/details/54914184
MAP (注意大小寫，mAP 是mean average precision)， macro average precision， 宏平均準確率：
其實就是 各個類別的準確率的平均值， 每個類別的準確率計算參考上面的鏈接。
具體例子：
[[ 7 28 0 0 0 0 0 93]
[ 5 28 0 0 0 0 1 85]
[ 2 18 0 0 0 0 0 47]
[ 2 4 0 0 0 0 0 15]
[ 2 8 0 0 0 0 0 15]
[ 2 18 0 0 0 1 1 59]
[ 0 13 0 0 0 0 0 53]
[ 2 18 0 0 0 0 0 180]]
這是一個8*8混淆矩陣，下面計算一個map的值：
p1 = 7/（第1列的和22）
p2 = 28/(第2列的和135)
p3 = 0/(第3列的和0)
p4 = 0/(第4列的和0)
p5 = 0/(第5列的和0)
p6 = 1/(第6列的和1)
p7 = 0/(第7列的和0)
p8 = 180/(第8列的和547)
map = (p1+..+p8)/8 = 23.18%
這個只注重每個類別的準確率，不注重召回率，注意使用條件！
補充一下 F1 score 的計算：
F1 score (平衡F分數)：兼顧分類模型的準確率和召回率，被定義爲準確率和召回率的調和平均數。
上面我們計算了每個類別的 precision, 然後我們需要計算每個類別的召回率，然後這裏寫一個比較簡單的F1（precison的權重 beta 爲1的情況）的計算公式：
F1_i ＝ （2*precision*recall）/(precision + recall)
F1 = (F1_1+..+F1_8)/8
Done!