平均精确率均值（mAP）

勤劳的进取家

于 2025-01-15 21:14:37 发布

阅读量1.9k

点赞数 5

分类专栏：机器学习文章标签：人工智能机器学习计算机视觉

本文链接：https://blog.csdn.net/m0_53605808/article/details/145163894

版权

38 篇文章

订阅专栏

mAP（mean Average Precision，平均精确率均值） 并不是传统意义上的“精度”（Accuracy），而是一种专门用于评估目标检测、图像分割或信息检索等任务的性能指标。它更全面地反映了模型在不同类别和不同置信度阈值下的表现。

精度（Accuracy）：
- 通常用于分类任务，表示模型预测正确的样本占总样本的比例。
- 公式：
  
  $\text{Accuracy} = \frac{\text{True Positives (TP)} + \text{True Negatives (TN)}}{\text{True Positives (TP)} + \text{True Negatives (TN)} + \text{False Positives (FP)} + \text{False Negatives (FN)}}$
- 局限性：在类别不平衡的情况下，精度可能无法准确反映模型性能。
mAP（mean Average Precision）：
- 用于目标检测、图像分割或信息检索任务，综合考虑了精确率（Precision）和召回率（Recall）的表现。
- 计算步骤：
  1. 对每个类别，计算不同置信度阈值下的精确率（Precision）和召回率（Recall）。
  2. 绘制 Precision-Recall 曲线。
  3. 计算曲线下的面积，得到该类别的平均精确率（AP）。
  4. 对所有类别的 AP 取平均值，得到 mAP。
- 优点：能够更全面地反映模型在不同类别和不同置信度阈值下的性能。

Precision（精确率）：
- 表示模型预测为正样本的样本中，实际为正样本的比例。
- 公式：
  $\text{Precision} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Positives (FP)}}$
Recall（召回率）：
- 表示实际为正样本的样本中，被模型正确预测为正样本的比例。
- 公式：
  
  $\text{Recall} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}}$
AP（Average Precision）：
- 对每个类别，计算 Precision-Recall 曲线下的面积。
- 公式：
  $AP = \int_{0}^{1} Precision(r) \, dr$
- 在实际计算中，通常通过插值法或离散点求和来近似计算。
mAP（mean Average Precision）：
- 对所有类别的 AP 取平均值。
- 公式：
  $mAP = \frac{1}{N} \sum_{i=1}^{N} AP_i$
- 其中，N 是类别数量。