Mean Average Precision（MAP）

最新推荐文章于 2025-03-24 10:23:47 发布
最新推荐文章于 2025-03-24 10:23:47 发布
阅读量3.4w 收藏 1
点赞数 1
本文深入解析了信息检索领域的重要评估指标——平均精度均值（MAP）。通过实例详细介绍了精度（Precision）、平均精度（AP）及平均精度均值（MAP）的计算方法，并探讨了这些指标在搜索引擎和推荐系统中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

原文地址：Mean Average Precision（MAP） 作者： EvaLee

【转】一个评测指标就是MAP(Mean Average Precision)平均精度均值。

MAP可以由它的三个部分来理解：P,AP,MAP

先说P（Precision）精度，正确率。在信息检索领域用的比较多，和正确率一块出现的是找回率Recall。对于一个查询，返回了一系列的文档，正确率指的是返回的结果中相关的文档占的比例，定义为：precision=返回结果中相关文档的数目/返回结果的数目；
而召回率则是返回结果中相关文档占所有相关文档的比例，定义为： Recall=返回结果中相关文档的数目/所有相关文档的数目。

正确率只是考虑了返回结果中相关文档的个数，没有考虑文档之间的序。对一个搜索引擎或推荐系统而言返回的结果必然是有序的，而且越相关的文档排的越靠前越好，于是有了AP的概念。对一个有序的列表，计算AP的时候要先求出每个位置上的precision，然后对所有的位置的precision再做个average。如果该位置的文档是不相关的则该位置 precision=0.

举个例子（修改了引用[1]的例子）:

Prediction   Correctness   Points
1 wrong 0
2 right 1 / 2
3 right 2 / 3
4 wrong 0
5 right 3 / 5
6 wrong 0
7 wrong 0
8 wrong 0
9 right 4 / 9
10 wrong 0
 
可以从中看出AP的计算方法，若该位置返回的结果相关，计算该位置的正确率，若不相关，正确率置为0。 若返回的这四个的相关文档排在1,2,3,4号位，则对于的正确率都为1，AP也就等于1，可见计算方法是对排序位置敏感的，相关文档排序的位置越靠前，检出的相关文档越多，AP值越大。
对MAP，则是对所有查询的AP值求个平均。
得到的计算公式[2]：




r为相关文档的个数, N为查询词的个数。

具体求解：

假设有两个查询，查询1有4个相关文档，查询2有5个相关文档。某系统对查询1检索出4个相关文档，其rank分别为1,2,4,7；对于查询2检索出3个相关文档，其rank分别为1,3,5。

对于查询1，AP平均正确率为:(1/1+2/2+3/4+4/7)/4=0.83

对于查询2，AP平均正确率为:(1/1+2/3+3/5)/5=0.45

 

则平均正确率均值为:(0.83+0.45)/2=0.64

代码：

Github地址：https://github.com/JK-SUN/MLandDM-EvaluationMeasures 欢迎拍砖

参考：

[1]Alternate explanation of Mean Average Precision

[2]信息检索系统导论

[3]Mean Average Precision

mazhu1079
关注
Mean Average Precision（MAP）：平均精度均值
weixin_42749767的博客
09-17 1万+
1.MAP可以由它的三个部分来理解：P,AP,MAP P（Precision）精度，正确率。在信息检索领域用的比较多，和正确率一块出现的是召回率Recall。对于一个查询，返回了一系列的文档，正确率指的是返回的结果中相关的文档占的比例，定义为： precision=返回结果中相关文档的数目/返回结果的数目； 而召回率则是返回结果中相关文档占所有相关文档的比例，定义为：Recall=返回结果中相关文...
目标检测：mAP (Mean Average Precision)
thujiang000的博客
01-31 6163
目标检测，mAP解释
转：评估指标MAP
weixin_30412167的博客
12-24 529
转：http://www.zhenv5.com/?p=1079 MAP可以由它的三个部分来理解：P,AP,MAP 先说P（Precision）精度，正确率。在信息检索领域用的比较多，和正确率一块出现的是找回率Recall。对于一个查询，返回了一系列的文档，正确率指的是返回的结果中相关的文档占的比例，定义为：precision=返回结果中相关文档的数目/返回结果的数目； 而召回率...
【深度学习】mAP (Mean Average Precision)
热门推荐
JNing
01-02 6万+
【深度学习】mAP (Mean Average Precision)
Mean Average Precision (MAP)
weixin_35757531的博客
12-27 839
平均精确度平均值(Mean Average Precision, MAP)是一种评估分类器性能的指标，常用于在信息检索、计算机视觉和自然语言处理等领域。它衡量了分类器对于每个查询的平均精确度。 精确度(precision)是指分类器正确预测的样本数占总预测样本数的比例，即： precision = 正确预测的样本数 / 总预测样本数 平均精确度(Average Precision, AP)则是对于...
mean Average Precision (mAP)
william_hehe的博客
04-19 1万+
mAP(mean average precision)目标检测中衡量识别精度的指标。多个类别目标检测中，每个类别都可以根据recall（召回率）和percision（准确率）绘制一条曲线。AP就是该曲线下的面积，mAP意思是对每一类的AP再求平均。召回率（recall）、准确率（precision）举例：mAP计算方法：首先用训练好的模型得到所有测试样本的confidence score，每一类（...
mAP平均精度均值(Mean Average Precision)
fivemillion的博客
06-10 6216
评价分类模型性能的评价指标和计算方式
关于mAP（mean average precision)平均精度均值总结
weixin_45021321的博客
11-16 1990
关于mAP总结
Precision、Recall and Mean Average Precision（MAP）
HIT_ChenPeng的博客
01-14 3999
基本概念 Precision准确度 Recall召回率 Precision-Recall 曲线 MAP Reference论文 [1] 介绍了一种用于形状分类的metric，理论部分作者给出几组shape inference 的例子说明该metric的完备性。在实际应用部分，作者将该metric用到了植物种类的检测中。该应用涉及几个评价指标：Precision, Recall and Mean Av
Mean Average Precision（MAP）平均精度均值
YLH9604的专栏
11-09 1万+
MAP(Mean Average Precision)：单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。 MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。 例如：假设有两个主题，主题1有4个相关网页，主题2有5
平均精度均值（Mean Average Precision, mAP）
强劲九
08-01 2万+
与目标识别不同，目标检测中不仅仅需要在一张图片中检测到是否含有某物体，还需要将该物体的位置找出来，所以在判定模型的好坏时，就有其标准——mAP 一、Mean Average Precision – mAP （一）什么是 mAP ？ 平均精度均值（mAP）是预测目标位置以及类别的这一类算法的性能度量标准。mAP 对于评估目标定位模型、目标检测模型以及实例分割模型非常有用。 在模型预测...
什么是mAP（mean average Precision）
Turn life into a dream, and then turn dreams into reality
06-20 1140
即。AP: PR（ Precision-Recall）曲线下面积，是对多个验证集个体。
平均精确率均值（mAP）
m0_53605808的博客
01-15 2919
而是一种更全面的性能指标，特别适用于目标检测、图像分割和信息检索等任务。它通过综合考虑精确率和召回率，能够更好地反映模型在不同类别和不同置信度阈值下的表现。在目标检测任务中，mAP 是评估模型性能的核心指标，通常与 IoU 阈值一起使用。
机器学习性能评估指标之​AP（平均精度）​ 和 ​MAP（平均精度均值）
最新发布
浩瀚之水的专栏
03-24 2975
在目标检测、信息检索和多分类任务中，​AP（Average Precision，平均精度）​ 和 ​MAP（Mean Average Precision，平均精度均值）​ 是衡量模型排序质量和类别区分能力的重要指标。
平均精度均值(mAP)——目标检测模型性能统计量
weixin_34366546的博客
11-03 1332
　　在机器学习领域，对于大多数常见问题，通常会有多个模型可供选择。当然，每个模型会有自己的特性，并会受到不同因素的影响而表现不同。 　　每个模型的好坏是通过评价它在某个数据集上的性能来判断的，这个数据集通常被叫做“验证/测试”数据集。这个性能由不同的统计量来度量，包括准确率（ accuracy ）、精确率（ precision ）、召回率（ recall ）等等。选择我们会根据某个特定的应用...
MAP(Mean Average Precision)
yuanchheneducn的博客
05-09 1624
MAP(Mean Average Precision)：单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。 MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。 例如：假设有两个主题，主题1有4个相关网页，主题2有5个相关
目标检测（Object Detection）中性能衡量指标mean Average Precision（mAP）的含义与计算
咚咚锵的博客
04-18 4万+
背景   之前在研究Object Detection的时候，只是知道Precision这个指标，但是mAP（mean Average Precision）具体是如何计算的，暂时还不知道。最近做OD的任务迫在眉睫，所以仔细的研究了一下mAP的计算。其实说实话，mAP的计算，本身有很多现成的代码可供调用了，公式也写的很清楚，但是我认为仔细的研究清楚其中的原理更重要。   AP这个概念，其实主要是在...
AP(Average Precision)、mAP(mean Average Precision)
qq_41081593的博客
01-04 1142
相关知识 准确率Precision 召回率Recall 其实这个翻译不是很准确 recall最合理的翻译应该是 查全率 而Precision的最合理的翻译应该是查准率 这样就很容易理解了，假设一个班级有10个学生，5男5女 你用机器找女生，机器返回了一下结果： | 男 | 女 | 女 | 男 | 女 | 男 | 那么查准率为：3/6 = 0.5（返回的6个结果只有3个正确） 查全率为: 3/5 = 0.6 （所有女生有5个，但只找到3个） 然后就是mAP的解释了，一张图可以说明： 图片名称 在多个类别的检
Mean Average Precision
baiyu9821179的专栏
06-21 3300
mean average precision简称ｍAP，以前一直不懂什么意思，现在写篇博客记录一下。Precision我们先来讨论一下，Precision是怎么算的。假如我们有2000个样本，1000正样本，1000个负样本。我们用某个方法进行分类，标记出来300个样本是正样本。现在，我们知道，任何分类方法都不会有百分之百的正确率。所以标记出来的300个分类的样本里，肯定有被分错的样本。假如100个
mean Average Precision(map)
03-13
### Mean Average Precision (mAP) 的定义 Mean Average Precision (mAP) 是一种广泛用于评估信息检索系统和目标检测模型性能的度量标准。该指标综合考虑了查准率(Precision) 和查全率(Recall)，能够更全面地反映系统的整体表现。 在信息检索领域，mAP 表示的是所有查询平均精度的均值[^3]。对于每一个单独的查询请求而言，先计算其对应的 AP 值(Average Precision)，再取这些 AP 值的算术平均即得到最终的 mAP 结果。 而在对象检测任务中，mAP 则衡量不同类别上预测框与真实标注框之间的匹配程度。具体来说，针对每一类物体分别统计 TP(True Positive), FP(False Positive) 及 FN(False Negative)[^1]。 ### 计算方法 #### 对于信息检索： 1. 针对单个查询 q，按照文档的相关性得分排序； 2. 根据实际相关情况标记每个返回项是否为正样本； 3. 使用下列公式逐个位置 i 更新当前累计 P@i（Precision at position i），其中 rel(i)=1 若第 i 位是相关项目，否则为0；nrel(q)表示查询q下的总相关数： \[ \text{P}(i|q) = \frac{\sum_{j=1}^{i}\mathrm{rel(j)}}{i},\quad \forall i : \mathrm{rel}(i)=1 \] 4. 将上述过程中获得的所有非零 P@i 平均化作为此查询 Q 下的 AP 值； 5. 最终通过求解所有测试集中各查询下 AP 的简单平均值得到整个数据集上的 mAP。 #### 对象检测中的实现方式略有差异： - 主要区别在于如何判断两个边界框之间是否存在重叠以及设定 IoU(Intersection over Union)阈值来决定真阳性和假阳性。 - 当前普遍采用 COCO 数据集所使用的评价方案，在多个不同的 IoU 阈值水平上来累积 PR 曲线并据此得出每种类别的 AP 后再次做平均形成全局 mAP 指标。 ```python def calculate_map(precisions, recalls): """ Calculate mean average precision given lists of precisions and recalls. Args: precisions (list): List containing precision values. recalls (list): List containing recall values. Returns: float: Calculated MAP value. """ aps = [] unique_recalls = sorted(set(recalls)) for r in unique_recalls: p_interpolated = max([p for p, rec in zip(precisions, recalls) if rec >= r], default=0) aps.append(p_interpolated) return sum(aps)/len(unique_recalls) if len(unique_recalls)>0 else 0 ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值