性能指标（模型评估）之mAP

为什么性能指标

用于评价模型的好坏，当然使用不同的性能指标对模型进行评价往往会有不同的结果，也就是说模型的好坏是“相对”的，什么样的模型好的，不仅取决于算法和数据，还决定于任务需求。因此，选取一个合理的模型评价指标是非常有必要的。

错误率 & 精度

针对数据集$D$和学习器$f$而言：

1、错误率：分类错误的样本数占总样本的比例
$$E(f;D)=\frac{1}{m}\sum _{i=1}^{m}I(f(x_i)\ne y_i)$$
2、精度：分类正确的样本数占总样本的比例
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ acc(f;D) & =\f…

召回率 & 准确率

为什么引入

精度和错误率虽然常用，但还是不能满足所有的需求。举个例子：

信息检索中，我们经常会关系“检索出的信息有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来了”，用精度和错误率就描述出来了，这就需要引入准确率（precision，亦称查准）和召回率（recall，亦称查全）。

表1 测试样本分类说明（分4类） | 真实情况 | 预测为正 | 预测为反 | 召回率 | |:-:|:-:|:-:|:-:| | 正 | TP（真正） | FN（假反） | $R