mAP（mean Average Precision）
Precision and Recall
在模型評估時，我們往往會參照一些性能指標，最基本的如準確率和召回率。看過西瓜書的同學應該對下面這張表格很熟悉：
這張表其實很好記憶，橫着看(actual:P和actual:N)代表實際所屬的類別;豎着看(predicted:P和predicted:N)代表預測的類型。如果實際和預測都一樣，那就是真正例(TP)和真反例(TN),對應表格的主對角線。如果實際是反例卻預測成了正例，那就是假正例(FP),注意，這都是與實際的標籤(actual)來對比的，同理可推出FN。
在瞭解了表格的意義之後，就很好解釋準確率(P)和召回率(R)了：
準確率P是評估你預測的準不準（看預測列），而召回率R是看你找的全不全(看實際行)。如果處理平衡數據集用這些性能指標還好說，但是一旦你的數據集不平衡，那麼這些指標可參考的價值就不那麼具備參考性了。舉個例子：對於一個二分類問題，如果其中90%是正樣本，只有10%是負樣本的話，而我的模型就是全部輸出爲正樣本的分類器，那麼準確率依然高達90%，但是這樣並沒有意義。所以提出了AP的概念。
Average Precision
所謂的AP，其實就是平均準確率。這裏的平均是相對於不同驗證集而言的。
假設我們想要訓練一個貓咪分類器，如果是基於像素點級別的，那麼就可以將它轉換爲一個二分類任務，判斷這個像素點是不是屬於貓的。這樣，我們可以得到屬於貓咪的像素點的準確率
，當然，我麼還有其他很多的驗證圖片，這樣還可以得到P2,P3,…而AP就是對於這些求平均值：
mean Average Precision
所謂的mAP，其實就是對m個類別的AP取平均值，對於上文講的貓咪分類器，其實就是一個二分類器，它的mAP就等於正樣本的準確率與負樣本的準確率的平均值，多分類任務也可以如法炮製。
相比於P,R，mAP這個性能指標對於數據不平衡問題就靠譜很多。還是拿之前舉的例子來說：90%的正樣本，10%的負樣本，如果採用全部輸出爲正的分類器，那麼P正=0.9,P負=0,而mAP=0.45.