mAP(mean average precision)

原文链接
注意区分mAP(mean average precision，平均AP)和MAP（**Maximum a posteriori，最大后验概率**）！！！
mAP 是指平均准确率，是机器学习中模型好坏的一种评价指标。在介绍 mAP 前应该首先了解几个概念：

1、P (percision) ：准确率，在周志华的《机器学习》中，称为 “查准率”。在信息检索中，准确率是指我检索出的信息有多少比例是用户感兴趣的。

P = 系统检索到的相关文件 / 系统检索到的文件总数

2、R (recall) ：召回率，又称为 “查全率”，指用户感兴趣的信息有多少被检测出来了

R = 系统检测到的相关文件 / 数据库中相关文件总数

举个例子来说，某数据库中有 1000 个文件，我要搜索跟机器学习相关的文件，而数据库中机器学习相关文件有 200 个。搜索后，系统检索出 100 个文件，80 个跟机器学习相关，那么：

P(准确率） = 80 / 100 = 80%

R(召回率）= 80 / 200 = 40%

在改变检索算法后，再进行一次检索，结果检索出 180 个文件，机器学习相关文件有 120 个，那么：

P(准确率）= 120 / 180 = 66.7%

R(召回率）= 120 / 200 = 60%

这两个算法到底哪个算法好呢，很难单一的用准确率或召回率来评判。

准确率和召回率一般有如下特点：准确率高，召回率就低。召回率高，准确率就低。这个也比较容易理解，比如要获得较高的召回率，势必要搜索出大量文件，还是上面那个例子，我搜索出 500 个文件，其中 200 个跟机器学习相关，那么召回率为 100%，但是准确率只有 40%。当然，如果算法能做到准确率和召回率都高，那是最好。

那么如何结合准确率和召回率对模型进行评判呢，可以使用 F 度量

3、F 度量（F-measure)

F 度量涵盖了准确率和召回率这两个指标。其计算公式如下：

F = 2 P R / (P + R)

结合以上两个例子，第一个例子的 F 度量为 0.53，第二个例子的 F 度量为 0.63

接下来进入主题，mAP 是什么呢？

前面介绍了准确率和召回率单独来评价模型不科学，结合这两个指标的话可以用 F 度量，其实还有一种方法，即 Average Precision（平均精度 AP）——以召回率和准确率为行纵坐标，得到二维曲线，即 PR 曲线。将 PR 曲线下的面积当作衡量尺度，得到 AP 值。

mAP 即平均 AP 值, 是对多个验证集求平均 AP 值，其中 QR 指验证集个数