准确率(precision)和召回率(recall)，PR以及mAP

准确率(precision)和召回率(recall)也称作查准率和查全率

查准率
在预测结果中，究竟有多少是真的正？(找出来对的比例)

就是和query同一ID的图片在查询结果中的占比。

查全率
指所有正样本中，究竟预测对了多少个？（找回来了几个）

就是和query同一ID的图片出现在查询结果中的数量占总数的比例。

利用P-R曲线图直观显示ReID模型的查准率和查全率。
肉眼比对时，我们常从结果的第一个开始，一个一个比对。借鉴这种思路，我们可以逐渐增加查询结果的数量，从第一个开始，一直到系统给出的查询结果的最后一个，把中间每个点对应的查准率和查全率绘制到图上，得到类似下面的结果。

引申到mAP的计算：
PR曲线与坐标围起来的面积叫做Average Precision，即

离散化后得到公式：

令集合Ω为和query同ID的第k个查询结果的集合，改写为

使用梯形面积公式替换矩形面积，得到AP：

最后，平均每个query的AP值便得到mAP。

举例：
题目：
现有两个评价emoji之间相似程度的函数Similarity1()和Similarity2()。
对于query🍎，Similarity1()得到[🍍🍎🍎🍎🍏]，Similarity2()得到[🍎🍍🍎🍎🍏]。
对于query🍏，Similarity1()得到[🍏🍎🍍🍏🍏]，Similarity2()得到[🍎🍏🍏🍏🍍]。
拿计算Similarity1()在query为🍎举例：

match1 i=1 (P(0), P(1)) = (1/2, 1/2)
match2 i=2 (P(1), P(2)) = (1/2, 2/3)
match3 i=3 (P(2), P(3)) = (2/3, 3/4)

同理可以计算Similarity2()的mAP为0.722，所以我们最终得到，Similarity2()优于Similarity1()。