评价指标MAP(macro average precision)与mAP(mean average precision)的区别

      本篇主要介绍在机器学习中，两个常用的评价指标MAP与mAP的区别，前者MAP是macro average precision, 翻译为宏平均准确率，常用于分类问题中；而后者mAP是mean average precision, 翻译为平均精度均值，常用于目标检测和信息检测领域。两者有一个明显的区别是，mAP需要对结果进行置信度的排序，而MAP只需要给出类别标签即可。

      下面是MAP与mAP的具体解释。

      1）MAP（macro average precision）

           MAP是衡量分类器性能的指标之一，体现了分类器对各个类别的分类效果，其计算公式如下：

                                                                     

           其中，为真实情况下是第种类别的样例中，识别正确的个数；为真实情况下不是第种类别的样例中，识别为第i类别的个数；S为类别个数。

      2）mAP（mean average precision）

            定义：对于每一个类，按照分类器输出的每个样本的置信度由高到低排列，则平均精度为：

                                                                        

           其中，R为测试集中（真实情况下）所有正样本的个数，M为测试集总样本个数，表示第个样本是正样本，否则。表示前个样本中正样本的个数。

           对于所有类的平均精确值为mAP:

                                                                       

           其中，N为类别个数，为第c类的平均精度。

           本人才疏学浅，若有错误的地方，敬请指正。