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。