这篇博客总结了在计算机视觉和机器学习任务中常用的评价指标，包括NMI、RI、Fk、Precision、Recall、F-score、MAP、ROC、AUC以及AP（Average Precision）。AP作为识别任务的标准，关注查准率与查全率之间的平衡，更高的AP意味着更好的性能。mAP则是各类别的AP平均值，用于综合评估模型性能。
normalized mutual information NMI,RI,Fk,等。
在retrival的任务中经常会用到。
信息检索的评价指标(Precision, Recall, F-score, MAP、ROC、AUC）
机器学习识别任务指标 AP(Average precision)标准：
曲线是之前所说的查准率，查全率的博弈，识别标准松了就可能有错误的把不应该认成正例的判断为正例（召回率高，识别率低）。召回标准严了可能会把不太好认的正例忽视掉（识别率高，召回率低），于是就有了如下的AP标准。一方高了另一方就低。
直观上理解，曲线肯定是越往外凸，结果越好了。那么用toy data第一幅图来看，AB都比C好。因为曲线下面积大，想不明白在同一刻度下(0.5,y)，AB的准确率总是高于c的。
第二幅图就是实际结果了。
mAP就是mean AP,对每一类都求一遍AP然后取平均
扫一扫
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
