MAP（mean average precision)平均精度均值

precision（精確率）和recall（召回率）的計算

 

       (模型預測爲正樣本，實際爲正樣本)

     (模型預測爲負樣本，實際爲負樣本）

  (模型預測爲正樣本，實際爲負樣本）

  （模型將預測爲負樣本，實際爲正樣本)

其次，我們需要知道的precision與recall基本成反比的，precison很高則recall會很低，反之，recall會很高。

爲什麼會這樣呢，對於一組我們準備好了的樣本（即已知了正樣本和負樣本情況），之後我們使用模型去對樣本進行檢測從而得到該樣本相對正樣本(該模型的檢測正樣本的）的置信度。我們通過控制置信度來調整recall的值，置信度大於等於的，我們認爲這個樣本是正樣本。對於一個已知的樣本，其實際正樣本數（TP+FN）是已知的。調整置信度會讓模型檢測出的正確的正樣本數變化，從而使recall變化。隨着置信度的調低，檢測出正確的正樣本數會越來越來多，而總的召回率（recall）在不斷提高，而precision會不斷降低。

關於隨着recall增大，precision爲什麼降低，我的觀點是模型是用來檢測正樣本的，所有當我們將置信度從高到低往下排列時，正樣本數是集中序列的前面的，因此隨着recall增大，precision會減少。

這個連接裏面有一個例子，結合我的講解和這個例子，MAP值應當會更好理解。

https://www.jianshu.com/p/82be426f776e

AP（average precision）是什麼？

關於AP的計算，我們參考PASCAL VOC CHALLENGE的計算方法。

我們讓recall在[0,1]裏從0開始取值，步長爲0.1，則最終有十一個recall值，AP就是由這十一不同recall階層precision的評價值而得到

是超過r的recall中對應最大的precision值，例如p_interp(0.6)就是大於0.6的所有recall中對應的最大的precision的值

MAP值是不同類別的AP值的均值

自2010年，PASCAL VOC CHANLLNEGE換了另一種算法。

新的計算方法假設這N個樣本中有M個正例，那麼我們會得到M個recall值（1/M，2/M....M/M），對於每個recall值r，我們可以計算出對應（>r)的最大precision，然後對這M個precision值取平均即得到最後AP值。

MAP的題外話：

MAP相對於precision、Recall是能夠反映全局性能的指標。

，如果一個系統的性能較好，其曲線應當儘可能的向上突出。

更加具體的，曲線與座標軸之間的面積應當越大。

最理想的系統， 其包含的面積應當是1，而所有系統的包含的面積都應當大於0。這就是用以評價信息檢索系統的最常用性能指標，平均準確率mAP其規範的定義如下:(其中P，R分別爲準確率與召回率)