![fff7852308445021a8618568a369230e.png](https://i-blog.csdnimg.cn/blog_migrate/0488185d5dfd6cc743560eb9114a38d4.jpeg)
MAP(Mean Average Precision)
网上关于map的帖子,博客,回答有很多,但是描述很不清楚,有的甚至有很多错误,非常难以理解,最近研究了一下map,这里记录总结一下
这里的AP指的是在不同的召回率(recall)下计算的平均准确率(average precision),因而先介绍recall(召回率)与precision(准确率)这两个基本的概念。
Recall and Precision
先给出Precision与Recall的计算公式
二分类的概念理解上述符号:
若一个任务为识别狗,那么狗为正类,猫为负类,在识别任务中,一共有10只狗,20只猫,预测为狗的有15张其中狗为7张,那么TP(true positive)是7,FP(false positive,将猫错选为狗)是8,TN(true negative,将猫看做猫)为12,FN(将狗看做猫)为3,
可以得到P=7/15,即所有判断为正类中有多少个真的正类
R=7/10,即实际为正类的样本中,有多少正类被挑选出来
A=19/30, 检测正确的概率
accuracy多为在图像分类任务重评估模型的好坏,这个比较容易理解。
而precision与recall则为两个不同维度的度量量,如果一个任务中