統計：mAP的中文意思

         原文連接：http://blog.csdn.net/Lu597203933/article/details/41802155

        以前寫過一篇blog叫作機器學習實戰筆記之非均衡分類問題：http://blog.csdn.net/lu597203933/article/details/38666699  其中對Precision和Recall及ROC都有所講解，其中區別在於Precision,Recall, F-score, MAP主要用於信息檢索，而ROC曲線及其度量指標AUC主要用於分類和識別，ROC的詳細介紹見上面的blog，這裏的Precision、Recall和上篇blog的計算結果實際上是同樣的，只是這裏從檢索的角度進行理解。

一：Precision, Recall, F-score

       信息檢索、分類、識別、翻譯等領域兩個最基本指標是召回率(Recall Rate)和準確率(Precision Rate------注意統計學習方法中precesion稱爲精確率，而準確率爲accuracy 是分類正確的樣本除以總樣本的個數。)，召回率也叫查全率，準確率也叫查準率，概念公式:

              召回率(Recall)=  系統檢索到的相關文件 / 系統全部相關的文件總數；；；亦即預測爲真實正例除以全部真實正例樣本的個數

             準確率(Precision)=  系統檢索到的相關文件 / 系統全部檢索到的文件總數；；；亦即等於預測爲真實正例除以全部被預測爲正例樣本的個數

圖示表示以下：

注意：

 ( 1 ) 準確率和召回率是互相影響的，理想狀況下確定是作到二者都高，可是通常狀況下準確率高、召回率就低，召回率低、準確率高，固然若是二者都低，那是什麼地方出問題了。

（2）若是是作搜索，那就是保證召回的狀況下提高準確率；若是作疾病監測、反垃圾，則是保準確率的條件下，提高召回。

 因此，在二者都要求高的狀況下，能夠用F1(或者稱爲F-score)來衡量。計算公式以下：

                     F1= 2 * P * R / (P + R)

(1) 公式基本上就是這樣，可是如何算圖1中的A、B、C、D呢？這須要人工標註，人工標註數據須要較多時間且枯燥，若是僅僅是作實驗能夠用用現成的語料。固然，還有一個辦法，找個一個比較成熟的算法做爲基準，用該算法的結果做爲樣原本進行比照，這個方法也有點問題，若是有現成的很好的算法，就不用再研究了。

(2)    形象直觀的理解就是Recall要求的是全，寧肯錯殺一千，不能放過一人，這樣Recall就會很高，可是precision就會最低。好比將全部的樣本都判爲正例，這是Recall就會等於1，可是不少負樣本都被當作了正例，在某些狀況就不適用，好比郵件過濾，此時要求的是準確率，不能是召回率，將全部的郵件都當作垃圾郵件確定是最壞的結果(此時Recall=1)。

若是沒有證據證實你有罪，那麼你就有罪，召回率會很高；若是沒有證據證實你有罪，那麼你就無罪，召回率會很低，不全，不少人逍遙法外；

二：MAP

MAP:全稱 mean average precision(平均準確率)。mAP是爲解決P，R，F-measure的單點值侷限性的，同時考慮了檢索效果的排名狀況。 計算以下： 假設有兩個主題，主題1有4個相關網頁，主題2有5個相關網頁。某系統對於主題1檢索出4個相關網頁，其rank分別爲1, 2, 4, 7；對於主題2檢索出3個相關網頁，其rank分別爲1,3,5。對於主題1，平均準確率爲(1/1+2/2+3/4+4/7)/4=0.83。對於主題 2，平均準確率爲(1/1+2/3+3/5+0+0)/5=0.45。則MAP=(0.83+0.45)/2=0.64。」 參考文獻： 1：http://blog.csdn.net/marising/article/details/6543943信息檢索（IR）的評價指標介紹 - 準確率、召回率、F一、mAP、ROC、AUC 2：http://blog.sina.com.cn/s/blog_662234020100pozd.htmlMAP(Mean Average Precision) 3：http://wenku.baidu.com/view/ef91f011cc7931b765ce15ec.html